Artificial Neural Network Modeling of High Arctic Phytomass Using Synthetic Aperture Radar and Multispectral Data
Notice bibliographique
Résumé
Vegetation in the Arctic is often sparse, spatially heterogeneous, and difficult to model. Synthetic Aperture Radar (SAR) has shown some promise in above-ground phytomass estimation at sub-arctic latitudes, but the utility of this type of data is not known in the context of the unique environments of the Canadian High Arctic. In this paper, Artificial Neural Networks (ANNs) were created to model the relationship between variables derived from high resolution multi-incidence angle RADARSAT-2 SAR data and optically-derived (GeoEye-1) Soil Adjusted Vegetation Index (SAVI) values. The modeled SAVI values (i.e., from SAR variables) were then used to create maps of above-ground phytomass across the study area. SAVI model results for individual ecological classes of polar semi-desert, mesic heath, wet sedge, and felsenmeer were reasonable, with r2 values of 0.43, 0.43, 0.30, and 0.59, respectively. When the outputs of these models were combined to analyze the relationship between the model output and SAVI as a group, the r2 value was 0.60, with an 8% normalized root mean square error (% of the total range of phytomass values), a positive indicator of a relationship. The above-ground phytomass model also resulted in a very strong relationship (r2 = 0.87) between SAR-modeled and field-measured phytomass. A positive relationship was also found between optically derived SAVI values and field measured phytomass (r2 = 0.79). These relationships demonstrate the utility of SAR data, compared to using optical data alone, for modeling above-ground phytomass in a high arctic environment possessing relatively low levels of vegetation.
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 | 0,000 |
| 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 ».