Mapping Above- and Below-Ground Biomass Components in Subtropical Forests Using Small-Footprint LiDAR
Notice bibliographique
Résumé
In order to better assess the spatial variability in subtropical forest biomass, the goal of our study was to use small-footprint, discrete-return Light Detection and Ranging (LiDAR) data to accurately estimate and map above- and below-ground biomass components of subtropical forests. Foliage, branch, trunk, root, above-ground and total biomass of 53 plots (30 × 30 m) were modeled using a range of LiDAR-derived metrics, with individual models built for each of the three dominant forest types using stepwise multi-regression analysis. A regular grid covered the entire study site with cell size 30 × 30 m corresponding to the same size of the plots; it was generated for mapping each biomass component. Overall, results indicate that biomass estimation was more accurate in coniferous forests, compared with the mixed and broadleaved plots. The coefficient of determination (R2) for individual models was significantly enhanced compared with an overall generic, or common, model. Using independent stand-level data from ground inventory, our results indicated that overall the model fit was significant for most of the biomass components, with relationships close to a 1:1 line, thereby indicating no significant bias. This research illustrates the potential for LiDAR as a technology to assess subtropical forest carbon accurately and to provide a better understanding of how forest ecosystems function in this region.
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 ».