Mapping Shrub and Tree Encroachment in Canadian Prairies Using Stacking Ensemble and Sentinel-1/2 Imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Woody plant encroachment (WPE) threatens grassland ecosystems across the Canadian Prairies, causing grassland biodiversity loss with substantial economic impacts due to reduced forage production. While remote sensing offers scalable monitoring capabilities, existing approaches lack frameworks for distinguishing shrub and tree encroachment and often require extensive ground truth data. This study developed an ensemble machine learning framework integrating Sentinel-1 SAR and Sentinel-2 optical imagery with UAV-derived training data to map fractional shrub and tree cover across Saskatchewan's Aspen Parkland and Moist Mixed Grassland ecoregions, SK. A stacking ensemble combining Random Forest, Support Vector Machine, XGBoost, and Artificial Neural Network models with Ridge regression meta-learning outperformed individual algorithms, achieving mean R2 values of 0.65 for shrub and 0.68 for tree cover prediction. Multi-scale training incorporating features at 10, 30, 50, and 70 m resolution improved performance by 15% for shrub and 24% for tree compared to single-scale approaches. Feature importance analysis revealed that shrub detection relied primarily on red-edge bands and moisture indices, while tree detection depended heavily on SAR backscatters. Quantile histogram matching enabled successful model transfer from Foam Lake Community pasture to Aberdeen Community Pasture, with resulting maps indicating that total WPE exceeded 50% in both study areas, with shrubs occupying 23.7% (Foam Lake) and 18.5% (Aberdeen) of both regions at rates higher than 5% shrub cover. The present framework provides a scalable, cost-effective approach for operational woody encroachment monitoring, enabling early detection and targeted functional management interventions to preserve grassland ecosystems.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle