Characterizing Tree Species in Northern Boreal Forests Using Multiple-Endmember Spectral Mixture Analysis and Multi-Temporal Satellite Imagery
Notice bibliographique
Résumé
Northern boreal forests are characterized by open stands whereby trees, understory background, and shadow are all significant components of the spectral response within a pixels’ spatial footprint. To overcome this mixed pixel problem, accurate spectral characterization of these (endmember) components is necessary for spectral mixture analysis (SMA) to generate forest classifications at the species level. Obtaining these endmember spectra in the field, however, can be difficult or impossible. This study examined whether image endmember spectra can be identified using forest inventory information to derive dominant tree species classifications. This was tested using multiple-endmember SMA (MESMA) and single- and multi-date Landsat imagery of a forested area in the Northwest Territories, Canada. Image classifications (n = 80) were generated based on 20 image-date combinations and four unmixing models. Accuracies of 80% and 82% were achieved for open and medium dense forest stands, respectively using multi-date imagery, which outperformed single-date imagery acquired at peak phenology. The overall accuracy is 72%; lower due to challenges in very open stands. The multi-date MESMA approach was robust for both compositionally pure and mixed stands. The approach merits further investigation, particularly within the context of the increasing availability of regional-scale satellite imagery enabling composite time-series and spectral-temporal image features.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».