Monitoring success: remote sensing and artificial intelligence for tracking success of individual seedlings at a revegetation trial in northern Canada
Notice bibliographique
Résumé
Progressive reclamation and reclamation trials are vital to mine closure success, providing opportunities to refine and validate reclamation prescriptions. Comprehensive monitoring is essential for evaluating the relative success of treatments over time. The research objective was to identify newly planted tree seedlings, classify them by species, and develop a robust indicator of seedling health using high-spatial-resolution multispectral imagery, object-based image analysis, and machine learning. In July 2023, a 2 hectare revegetation trial established on a mined waste rock dump was planted with aspen (Populus tremuloides), lodgepole pine (Pinus contorta), and white spruce (Picea glauca). Multispectral imagery was acquired via remotely piloted aircraft system (RPAS) in August 2023, and 30 permanent sampling plots (PSPs) were established across the trial, where each seedling’s position and species were recorded (n = 1,545). The multispectral imagery was filtered using a vegetation index to isolate individual seedlings across the trial, and a Random Forest model was used to classify seedlings by species. Subsequent RPAS imagery and vigour rankings for seedlings within PSPs were collected in August 2024 and analysed using a similar approach to classify survival (dead or alive) and vigour (0–5) or generate seedling size percentiles as indicators of health. Species and survival were classified with an average F1-score of 0.94 and 0.98, respectively. Vigour classifications for aspen, lodgepole pine, and white spruce yielded average F1-scores of 0.82, 0.86, and 0.83, respectively. Increases in size percentiles coincided with increases in field-assessed vigour, demonstrating a clear relationship between the two. This study resulted in the precise geotagging of 4,942 aspen, 2,524 white spruce, and 2,819 lodgepole pine across the reclamation trial, demonstrating the ability to monitor the progression of individual seedling performance immediately after planting. This approach improves the efficiency of monitoring planting programs, enabling deeper insights into the long-term effects of different treatments on seedlings.
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 | 0,000 |
| 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 | 0,000 | 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 ».