Using InSAR Coherence to Map Stand Age in a Boreal Forest
Notice bibliographique
Résumé
The interferometric coherence parameter γ estimates the degree of correlation between two Synthetic Aperture Radar (SAR) images and can be influenced by vegetation structure. Here, we investigate the use of repeat-pass interferometric coherence γ to map stand age, an important parameter for the study of carbon stocks and forest regeneration. In August 2009 NASA’s L-band airborne sensor UAVSAR (Uninhabited Aerial Vehicle Synthetic Aperture Radar) acquired zero-baseline data over Quebec with temporal separation ranging between 45 min and 9 days. Our analysis focuses on a 66 km2 managed boreal forest and addresses three questions: (i) Can coherence from L-band systems be used to model forest age? (ii) Are models sensitive to weather events and temporal baseline? and (iii) How is model accuracy impacted by the spatial scale of analysis? Linear regression models with 2-day baseline showed the best results and indicated an inverse relationship between γ and stand age. Model accuracy improved at 5 ha scale (R2 = 0.75, RMSE = 5.3) as compared to 1 ha (R2 = 0.67, RMSE = 5.8). Our results indicate that coherence measurements from L-band repeat-pass systems can estimate forest age accurately and with no saturation. However, empirical model relationships and their accuracy are sensitive to weather events, temporal baseline, and spatial scale of analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».