Using Small-Footprint Discrete and Full-Waveform Airborne LiDAR Metrics to Estimate Total Biomass and Biomass Components in Subtropical Forests
Notice bibliographique
Résumé
An accurate estimation of total biomass and its components is critical for understanding the carbon cycle in forest ecosystems. The objectives of this study were to explore the performances of forest canopy structure characterization from a single small-footprint Light Detection and Ranging (LiDAR) dataset using two different techniques focusing on (i) 3-D canopy structural information by discrete (XYZ) LiDAR metrics (DR-metrics), and (ii) the detailed geometric and radiometric information of the returned waveform by full-waveform LiDAR metrics (FW-metrics), and to evaluate the capacity of these metrics in predicting biomass and its components in subtropical forest ecosystems. This study was undertaken in a mixed subtropical forest in Yushan Mountain National Park, Jiangsu, China. LiDAR metrics derived from DR and FW LiDAR data were used alone, and in combination, in stepwise regression models to estimate total as well as above-ground, root, foliage, branch and trunk biomass. Overall, the results indicated that three sets of predictive models performed well across the different subtropical forest types (Adj-R2 = 0.42–0.93, excluding foliage biomass). Forest type-specific models (Adj-R2 = 0.18–0.93) were generally more accurate than the general model (Adj-R2 = 0.07–0.79) with the most accurate results obtained for coniferous stands (Adj-R2 = 0.50–0.93). In addition, LiDAR metrics related to vegetation heights were the strongest predictors of total biomass and its components. This research also illustrates the potential for the synergistic use of DR and FW LiDAR metrics to accurately assess biomass stocks in subtropical forests, which suggest significant potential in research and decision support in sustainable forest management, such as timber harvesting, biofuel characterization and fire hazard analyses.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».