An Integrated Decision Tree Approach (IDTA) to Mapping Landcover Using Satellite Remote Sensing in Support of Grizzly Bear Habitat Analysis in the Alberta Yellowhead Ecosystem
Bibliographic record
Abstract
Des données multisources comprenant des images satellitales Landsat de 1999, des descripteurs topographiques dérivés de MNA et des informations issues d'inventaires sur la végétation et intégrées dans un SIG ont été utilisés pour générer une carte détaillée de la classification du couvert afin de quantifier et d'analyser la distribution spatiale et la configuration des habitats d'ours grizzly dans la zone d'étude de l'écosystème de Yellowhead en Alberta. La carte était nécessaire dans le cadre plus global de l'évaluation de l'écosystème pour déterminer si les mouvements des ours et les patrons d'utilisation des habitats étaient affectés par les conditions changeantes du paysage et les activités humaines. Une approche intégrée IDTA, basée sur l'utilisation d'un arbre de décision, a été développée en incorporant le groupage non dirigé (K-moyennage), des règles de décision dérivées de façon empirique et basées sur l'utilisation de MNA et d'un SIG (proximité, pentes, etc.) et une classification dirigée basée sur le maximum de vraisemblance des classes de forêt et de végétation déduites de l'échantillonnage sur le terrain. Cette approche reposait sur une découverte antérieure, réalisée à partir d'une image Landsat de 1998 de la région, démontrant que la performance des différents classificateurs pouvait varier en fonction des diverses classes. La carte produite au moyen de la méthode IDTA s'est avérée d'une précision d'environ 80% (kappa=0,783) utilisant 494 points échantillonnés identifiés sans ambiguïté sur les orthophotographies numériques disponibles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".