Evaluation of alternative methods for using LiDAR to predict aboveground biomass in mixed species and structurally complex forests in northeastern North America
Notice bibliographique
Résumé
Light detection and ranging (LiDAR) has become a common means for predicting key forest structural attributes, but comparisons of alternative statistical methods and the spatial extent of LiDAR metrics extraction on independent datasets have been minimal. The primary objective of this study was to assess the performance of local and non-local LiDAR aboveground biomass (AGB) prediction models at two locations in the Acadian Forest. Two common statistical techniques, nonlinear mixed effects (NLME) and random forest (RF), were used to fit the prediction models and compared. Finally, this study evaluated the influence of alternative plot radii for LiDAR metrics extraction on model fit and prediction accuracy. AGB models were independently developed at each forest and tested both locally (model applied to same forest used for development) and non-locally (model applied to different forest) using an extensive network of ground-based plots. In general, RF was found to outperform NLME when applied locally, but the differences between the approaches were negligible when applied to the non-local dataset. NLME was found to perform equally well locally and non-locally. LiDAR extraction radius had very little influence on model performance as well. Minimal differences between models developed using fixed- and variable-radius methods were found, while the optimal LiDAR extraction radius was not consistent among forests, statistical technique, or local vs. non-local. Overall, the results highlight the importance of a robust calibration dataset that covers the full range of observed variation for developing accurate prediction models based on remote sensing data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».