Estimating above-ground biomasss using lidar remote sensing
Notice bibliographique
Résumé
Previous forest research using time-of-flight lidar suggests that there exists some quantile of the distribution of laser canopy heights that could provide an estimate of various forest biophysical properties. The results presented here not only support this theory, but also extend it by suggesting that a quantile of the distribution of all laser heights could provide estimates of aboveground biomass for forests with similar stand structure. Tolerant northern hardwood forests, composed predominantly of mature sugar maple (Acer saccharum Marsh.) and yellow birch (Betula alleghaniensis Britton), were surveyed using an ALTM 1225 (Optech Inc.) in August 2000. Field data for 49 circular plots, each 400 m2 in area, were collected in July 2000. Using site-specific allometric equations, total aboveground biomass and biomass components (i.e., stem wood, stem bark, live branches, and foliage) were derived for each plot. Three laser height metrics were derived from the lidar data: (i) maximum laser height; (ii) mean laser height; and (iii) mean laser height calculated from lidar returns filtered based on a threshold applied to the intensity return data LhIR). LhIR was identified as the best predictor of total aboveground biomass (R2 = 0.85) and biomass components (R2 between 0.84 to 0.85) when all plot types were considered.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».