Data from: Mapping canopy cover for municipal forestry monitoring: Using free Landsat imagery and machine learning
Notice bibliographique
Résumé
Paper Abstract: Trees across the urban-rural continuum are recognized for their ecological importance and ecosystem services. Municipalities often utilize spatial canopy cover data for monitoring this resource. Monitoring frameworks typically rely on fine-scale maps derived from very high spatial resolution sensors, which are high quality but expensive and unwieldy for consistent wide-area monitoring. In this paper, we explore how free Landsat imagery, supported by very high-resolution imagery interpretation and/or digital hemispherical photographs, can be used to effectively map canopy cover at a scale appropriate for municipal monitoring. We compare linear models and random forest machine learning for predicting canopy cover across a landscape (general) and within specific land covers (specialized). We create 2018 canopy cover maps and track progress towards forestry objectives in a region of southern Ontario, Canada. Random forest models using all reference data perform best for general use (R2: 0.90, RMSE: 10.1%), separating non-canopy vegetation (e.g., agricultural fields) from tree canopy. Specialized models are useful in forest land cover patches, where hemispherical photographs relate with Landsat at a moderate strength (R2: 0.67, RMSE: 2.73%), and in residential areas, capturing the totality of canopy cover variation (R2: 0.85, RMSE: 5.66%). Accuracy was assessed with standard cross-validation, which is useful given limited resources. However, following best practice, an independent reference sample was also leveraged to assess the best general model (R2: 0.86, RMSE: 11.4%), indicating that cross-validation was slightly overoptimistic. Results show that Caledon, a rural-dominant municipality within the study area, is the greenest (34% canopy cover). The two cities (Brampton and Mississauga) have 15.9% and 17.5% canopy cover. Residential canopy criteria indicate “Good” performance in Caledon, “Moderate” in Mississauga, and “Low” in Brampton based on our 2018 assessment. The methods described here can provide municipalities with a low-cost approach for tree canopy monitoring across complex landscapes. Data details: See paper: Mapping canopy cover for municipal forestry monitoring: Using free Landsat imagery and machine learning - ScienceDirect See code on GitHub: ZZMitch/PredictTreeCC_Landsat_1972to2020: Code from the portion of my PhD about using Landsat time-series to predict tree canopy cover from 1972 - 2020. Code will be released as papers are published. (github.com) If you use these data, please reference: Bonney, M.T., He, Y., Vogeler, J., Conway, T., Kaye, E., 2024. Mapping canopy cover for municipal forestry monitoring: Using free Landsat imagery and machine learning. Urban For. Urban Greening 128490. https://doi.org/10.1016/j.ufug.2024.128490.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».