Detection and validation of forest disturbances using RADARSAT-2 data
Notice bibliographique
Résumé
RADARSAT 2 SAR data was used to develop a monitoring program for Canadian forest lands with the aim to provide information on forest harvesting. A study site in British Columbia, Canada, characterized by coniferous forest, was selected. RADARSAT-2 MultiLook Fine mode, acquired from mid-June through mid-September, from 2011 to 2015 was analyzed with the aim to detect forest disturbances. Due to large data volumes and the need for efficiency, an automated end-to-end solution was implemented. The automated solution included image coregistration, temporal filtering, detection of forest disturbances, and delineation of the disturbances. To reduce the detection of false positives, a non-forest mask was developed that entailed a combination of CanVec data that delineated areas such as water bodies, roads, and urban/industrial areas and SAR-derived information such as layover and scattering from urban areas. To assess the performance of the change detection algorithm, the RADARSAT-2 changes were compared to tree-loss information from the Canadian Forest Service (CFS) and cut-block information from the BC Forest Service (BCFS). Since CFS and the BCFS information was representative of annual changes, but the RADARSAT-2 derived changes were representative of summer-only changes, there were discrepancies between the RADARSAT-2 data and the CFS/BCFS data. Notwithstanding these discrepancies, the detection performance was better than 80% for 2011/12 and 2012/13. For 2013/15, however, due to the two-year gap between data acquisition, the detection performance was 74%.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».