Mapping Shrub and Tree Encroachment in Canadian Prairies Using Stacking Ensemble and Sentinel-1/2 Imagery
Notice bibliographique
Résumé
This repository contains the full set of data, code, and analytical outputs used in the development and evaluation of an ensemble learning framework for vegetation mapping in the Foam Lake and Aberdeen study areas (Canada). The materials are organized into three main folders—Codes, Data_all, and Results—to support full transparency, reproducibility, and reuse. 1. Codes This folder includes all R scripts used for data preprocessing, feature extraction, model training, ensemble classification, result evaluation, and spatial mapping. The codebase implements an ensemble learning framework designed to classify vegetation types using multi-temporal and multi-source remote sensing inputs. Scripts are organized by workflow steps, allowing users to reproduce the analysis from raw data to final maps. 2. Data_all This folder provides the complete dataset used in the study. It includes: Feature maps for both Foam Lake and Aberdeen regions derived from remote sensing imagery. These maps contain spectral indices, texture layers, and other predictor variables used for modeling. Extracted training dataset for Foam Lake (FoamLake_summer_new.txt), which was used to train and validate the ensemble model. This file contains labeled samples extracted from the feature maps, including vegetation classes and associated predictor variables. All datasets are provided in open formats to enable reuse in machine learning, remote sensing, and ecological modeling applications. 3. Results This folder contains the outputs generated by the ensemble learning analysis, including: Final trained model used for prediction. Predictions for the test dataset, representing classification outcomes across all evaluation samples. Summary tables of model performance, variable importance, and statistical evaluations. Final prediction maps for Foam Lake and Aberdeen, representing the spatial distribution of vegetation classes generated by the ensemble framework.
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 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».