CLASSIFICAÇÃO SUPERVISIONADA DE COPAS DE ÁRVORES EM IMAGEM DE ALTA RESOLUÇÃO ESPACIAL
Bibliographic record
Abstract
O presente estudo teve como objetivo avaliar o potencial de uso de imagens de alta resolução espacial para a extração da área de copa de árvores em floresta nativa utilizando classificação supervisionada. Uma imagem do sensor multiespectral a bordo do satélite Worldview-2 foi adquirida, na qual foram testados três algoritmos de classificação digital de imagens. Com os resultados das classificações, foram delimitadas 51 copas de árvores, que foram localizadas em campo para a coleta de informações como diâmetro na altura do peito (DAP), altura estimada, diâmetro de base, identificação, e medição de 8 raios de copa para formar a área de copa (AC). O algoritmo SVM apresentou o melhor resultado dentre os métodos de classificação testados. Foi encontrado um R² de 0,57 entre AC em campo e o DAP. A relação AC/DAP indica que houve um aumento da área de copa à medida que aumentou o DAP. O R² entre a AC obtida por satélite e o DAP foi de 0,55. A obtenção do parâmetro AC via classificação supervisionada pode servir de base para delimitação de copas, porém, deve-se ter cuidado com este processo para não superestimar as áreas, devido à complexidade do dossel de uma floresta nativa.
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 | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".