Dynamic Estimation of Forest Volume Based on Multi-Source Data and Neural Network Model
Notice bibliographique
Résumé
It is quite necessary to explore some more efficient and reliable estimation models which could integrate or, in some cases, substitute the traditional and expensive measuring techniques in forest resources management owing to the rising investigation costs. Thanks to their flexibility and adaptability, artificial neural networks (ANN) constitute a valid approach for modelling complex long-lived dynamic forest ecosystems. The evaluation indexes set was established, including 17 factors: elevation, slope, aspect, surface curvature, solar radiation index, topographic humidity index, tree ages, the soil depth, the A-layer depth of soil, canopy density, Normalized Difference Vegetation Index (NDVI), and the spectral characteristics of the bands from Enhaced Thematic Mapper (ETM+) or Thematic Mapper (TM), Band 1 to Band 5, and Band 7 from Landsat. Then, integrating the remote sensing images of ETM+ or TM, Digital Elevation Model (DEM), and forest resource planning investigation data of fir of the key forestry city of Longquan, Zhejiang Province, China, the membership of each factor was empirically fitted by polynomials, and the forest volumes were estimated via an improved back propagation (BP) neural network (NN) model with Levenberg-Marquardt (LM) optimization algorithm (LM-BP). The results showed that the average individual relative errors (IARE) were from 26.38% to 34.41%; the group relative errors (GRE) were from 2.04% to 6.69%, and all of the group estimation precisions were more than 90% which is the highest standard of overall sampling accuracy about volume of forest resource inventory in China.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».