Initialization of an insect infestation spread model using tree structure and spatial characteristics derived from high spatial resolution digital aerial imagery
Bibliographic record
Abstract
AbstractHigh spatial resolution digital aerial imagery has demonstrated the capacity to enable the derivation of a range of parameters describing the structural characteristics of individual trees and spatial attributes of forest stands. As a result, these data have the potential to provide important information to help initialize models of insect infestations, in particular models addressing the spread of mountain pine beetle, Dendroctonus ponderosae (Hopk.), which has reached epidemic levels within western Canada. In support of this study, ground data and images with 10 cm spatial resolution were collected over a study area straddling the borders of British Columbia and Alberta, Canada, which is experiencing infestation by mountain pine beetles. Images were processed using an object-based classification algorithm, which correctly identified between 50% and 100% (mean 80.2%) of the tree crowns detected on the imagery relative to field-measured tree locations. Unidentified tree crowns primarily included trees with small crown and stem diameters which are less susceptible to infestation by mountain pine beetles. Following accurate identification of tree locations, parameters for stem diameter and stocking density were derived from the imagery and compared with measurements derived from ground survey data. Results indicate that two image-derived individual tree parameters were correlated sufficiently with ground measures to act as model inputs, namely stocking density (r2 = 0.91, standard error (se) = 506.65, p < 0.001) and stem diameter (r2 = 0.51, se = 2.63, p < 0.001). With confidence in our capacity to accurately predict these critical parameters for infestation modelling, we then apply a simple, spatially explicit mountain pine beetle infestation model. These models can be used to predict the potential impact on forest stands caused by mountain pine beetle attack and also to inform forest managers of the resources required to provide rapid and persistent mitigation necessary to control infestations.Les images numériques à haute résolution ont montré leur capacité d'extraire divers paramètres décrivant les caractéristiques structurelles des arbres individuels et les attributs spatiaux des peuplements forestiers. Dans ce contexte, ces données peuvent fournir une information importante pour l'initialisation des modèles d'infestation d'insectes, en particulier les modèles relatifs à la propagation du dendroctone du pin ponderosa (Dendroctonus ponderosae (Hopk.), qui a atteint un niveau épidémique dans l'ouest du Canada. En soutien à cette étude, des données au sol et des images à une résolution spatiale de 10 cm ont été acquises au-dessus d'une zone d'étude chevauchant les frontières de la Colombie britannique et de l'Alberta, au Canada, une zone qui subit présentement une infestation de dendroctone du pin ponderosa. Les images ont été traitées à l'aide d'un algorithme de classification orienté objet qui a permis d'identifier correctement entre 50 % et 100 % (moyenne de 80,2 %) des couronnes d'arbre détectées sur les images par rapport aux localisations d'arbres mesurées sur le terrain. Les couronnes d'arbre non identifiées incluaient principalement des arbres avec des diamètres de couronne et de tige de faible dimension, qui sont moins susceptibles aux infestations par les dendroctones du pin ponderosa. Suite à l'identification précise des localisations d'arbre, les paramètres de diamètre des tiges et de densité de peuplement ont été dérivés à partir des images et comparés aux mesures dérivées des données de terrain. Les résultats indiquent que deux paramètres individuels d'arbre dérivés des images ont été corrélés suffisamment avec les mesures sur le terrain pour agir comme intrants aux modèles, c.-à-d. la densité de peuplement (r2 = 0,91, se = 506,65, p < 0,001) et le diamètre des tiges (r2 = 0,51, erreur standard (se) = 2,63, p < 0,001). Confiants dans notre capacité de pouvoir prédire de façon précise ces paramètres critiques pour la modélisation des infestations, nous appliquons ensuite un modèle simple et spatialement explicite d'infestation du dendroctone du pin ponderosa. Ces modèles peuvent être utilisés pour prédire l'impact potentiel sur les peuplements forestiers des attaques du dendroctone du pin ponderosa et aussi pour informer les gestionnaires des forêts des ressources requises pour apporter les mesures correctives rapides et permanentes requises pour le contrôle des infestations.[Traduit par la Rédaction]
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".