Mapping the Big Trees of Vancouver Island with LiDAR, Sentinel-1, Sentinel-2 and Deep Learning
Notice bibliographique
Résumé
Decades of overharvesting have transformed much of Vancouver Island’s productive temperate rainforests into young, homogeneous forests, making the few remaining large-tree forests (height >55m) both rare and valuable. To map and conserve these forests, we produce a high-resolution canopy height model using a UNET deep-learning approach trained on LiDAR-derived 99th percentile height returns (~29% of the study area) and Sentinel-1, -2, ALOS PALSAR, and geographical predictors. The best-performing model (R2=0.76, MAE=4.73 m, and BIAS= -0.86 m), trained with Sentinel-1(VVVH) and Sentinel-2 (RGBNIR), outperformed all global canopy height products. We found a total of 135,482 location with canopy height above 55 m. Large tree forests were disproportionally found on upper slopes (~55%, 1.2x higher than expected) and valleys (28%, > 4x higher), and underrepresented in mid-slopes (7.4% in mid-slope, ~4x lower) and plateaus (1.4% in plateaus, 7x lower). Over half (63%) of forests sustaining big trees remain unprotected. These rare forests hold immense value yet constitute only a small fraction of the forested landscape, underscoring the urgency of a targeted conservation strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».