Temporal transferability of LiDAR-based imputation of forest inventory attributes
Notice bibliographique
Résumé
Forest inventory and planning decisions are frequently informed by LiDAR data. Repeated LiDAR acquisitions offer an opportunity to update forest inventories and potentially improve forest inventory estimates through time. We leveraged repeated LiDAR and ground measures for a study area in northern Idaho, U.S.A., to predict (via imputation) — across both space and time — four forest inventory attributes: aboveground carbon (AGC), basal area (BA), stand density index (SDI), and total stem volume (Vol). Models were independently developed from 2003 and 2009 LiDAR datasets to spatially predict response variables at both times. Annual rates of change were calculated by comparing response variables between the two collections. Additionally, a pooled model was built by combining reference observations from both years to test if imputation can be performed across measurement dates. The R 2 values for the pooled model were 0.87, 0.90, 0.89, and 0.87 for AGC, BA, SDI, and Vol, respectively. Mapping response variables at the landscape level demonstrates that the relationship between field data and LiDAR metrics holds true even though the data were collected in different years. Pooling data across time increases the number of reference observations available to resource managers and may ultimately improve inventory predictions.
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 | 0,002 | 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 | 0,001 |
| 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 ».