Merging data streams and remote sensing change detection routines for stand-replacing disturbances in Canada
Bibliographic record
Abstract
L'étude de l'évolution de la surface de la Terre à travers le temps permet aux responsables de la conservation de mieux comprendre la couverture terrestre et la composition du sol pour la recherche et la gestion de l'environnement. Au Canada, le savoir de l'endroit et du moment où les changements se produisent est pertinent à la gestion des terres et aux prises de décisions en matière de conservation. Les satellites, comme le Landsat 8 de l'U.S. Geological Survey (USGS), fournissent des séquences d'images régulièrement mises à jour qui sont utilisées dans diverses approches de surveillance terrestre. Dans le contexte canadien, Landsat 8 fournit généralement une ou deux images claires à chaque saison de croissance pour un endroit donné. La paire de satellites Sentinel 2 de l'Agence spatiale européenne (ESA) est un peu plus performante dans le contexte Canadien en raison de sa résolution plus élevée et de ses périodes de revisite plus fréquentes. Séparément, les deux systèmes ont un potentiel limité pour construire une série chronologique d'observations claires pour la détection des changements. Toutefois, en raison de leur compatibilité technique, la combinaison des données de Landsat-8 et de Sentinel 2 peut enrichir le répertoire total des observations claires de la Terre et permettre d'améliorer les approches de surveillance terrestre. Ceci est particulièrement utile pour créer des images composites annuelles pour représenter une saison de croissance sur une vaste région, qui ne pourrait autrement pas être capturée dans une seule image. En s'appuyant sur ces données composites, les programmes de surveillance construisent des séries chronologiques qui permettent la détection de tendances des changements d'utilisation des terres/couverture terrestre (LULC) (i.e., les perturbations). Il y a cependant des limites à la construction de séries chronologiques de détection de changements de cette manière. Par exemple, si une méthode capture des images à partir du 1er août plus/moins trente jours pour créer une seule image claire pour représenter la végétation de la saison de croissance maximale, les changements survenus après cette période de capture ne sont pas observés. De plus, étant donné que les années terminales de la série chronologique n’ont pas une année d'observations subséquente pour confirmer les tendances et les données, la détection des changements dans les années terminales est moins certaine que pour les années intermédiaires. Pour tenter de résoudre ces problèmes, cette thèse développe une nouvelle méthode de classification baptisée Shrinking Latency in Multiple Streams (SLIMS) pour combiner deux sources d'images satellites libre accès (Landsat 8 et Sentinel 2). SLIMS capture la signature spectrale intra-annuelle des perturbations forestières et crée une séquence de classifications en temps quasi réel des perturbations forestières. Par la suite, cette thèse combine SLIMS avec l'algorithme Bayesian Updating of Land Cover (BULC) pour synthétiser ces classifications brutes et individuellement floues de la couverture terrestre en une série de classifications plus précises. À l'aide d'une plateforme informatique gratuite et accessible en ligne (i.e., Google Earth Engine), ce travail calcule une série chronologique de changements forestiers à une résolution spatiale fine (10 mètres) et des tranches de temps très fines (~5 jours) pour fournir des informations plus détaillées concernant les perturbations forestières aux gestionnaires en conservation. De plus, cette thèse discute des opportunités et des défis de l'amélioration des méthodes de détection de changements à l'échelle annuelle comme l'algorithme Composite to Change (C2C) du Service canadien des forêts, à savoir dans a) le temps de composition et b) les années terminales d'une série chronologique
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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".