Detecting changes in sub-arctic vegetation caused by Snow Goose foraging on Coats Island: A multi-temporal remote sensing analysis
Notice bibliographique
Résumé
Foraging of overabundant light geese in North America has caused detrimental impacts on vegetation surrounding their sub-arctic breeding grounds. Consequently, this increase in barren land cover removes nesting habitat for sympatric species. Coats Island, Nunavut is a unique study area where changes in vegetation can be investigated before/after light geese have first begun breeding on the island. The objectives of this thesis were to: (i) create an annual land cover classification of northern Coats Island (1991-2014) from LANDSAT imagery; and (ii) detect changes in vegetation on Coats Island potentially attributable to foraging light geese. Using LANDSAT 5 TM and LANDSAT 8 OLI satellite images and six ASTER GDEM tiles, a supervised classification with a random forest classifier was used to annually classify northern Coats Island (1991-2013). LANDSAT- and ASTER GDEM-derived variables were also used to improve the classification accuracy. Training areas for six land cover types were created from ground truthing points (n=85) collected in 2014 along with visual interpretation of the imagery. Normalized Difference Vegetation Index (NDVI) surfaces were created from LANDSAT 5 TM and LANDSAT 7 ETM+ imagery to assess changes in vegetation quality. My results correspond with on-site field observations which suggest that light geese have had no major, negative impact on local vegetation on Coats Island, in contrast to vegetation damage observed at other similar coastal habitat sites with nesting light geese colonies around Hudson Bay.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».