Remote sensing of boreal forest biophysical and inventory parameters: a review
Notice bibliographique
Résumé
AbstractThe growing need to manage vegetation resources at regional and global spatial scales has led to the increased use of remote sensing technologies among forestry scientists and managers for use in their investigation and supervision of forested landscapes. With an array of extant and developing airborne and satellite sensors, as well as multiple analysis techniques, there is a need to discern the most acceptable methods with which to examine remotely sensed imagery for forest ecosystem parameters. We have reviewed the literature on the remote sensing of boreal forests in order to determine if common frameworks for monitoring and assessing change in forest biophysical and inventory parameters could be developed. Other important remote sensing techniques such as those for change detection and land cover identification were also examined. Our review examined studies documented within the scientific literature that involved the extraction of information on forest parameters with remote sensing instruments. Primarily, we focused on studies within the boreal forest, which plays an important part in the Earth-atmosphere system and contributes significantly to the global economy through forest-derived products and resources. Additionally, the boreal forest has served as the primary investigation site for many important forest remote sensing discoveries. In this review, we considered the forest parameter that was examined, the remote sensing platform used, and the calibration and validation accuracies for the study. The most effective methodology for examining each parameter, considering spatial scale, is described. In general, a fusion of multiple sensors provided the most accurate approach for parameter extraction; however, this may not be the most appropriate methodology for all studies, due to spatial and temporal considerations. In each case, we attempted to consider which methodology works the best in a variety of scenarios.Les besoins croissants en matière de gestion des ressources végétales tant à l'échelle régionale que globale ont conduit à l'utilisation plus généralisée des technologies de télédétection chez les scientifiques et les gestionnaires du milieu forestier dans leurs recherches et leur supervision des milieux forestiers. Face à la diversité des capteurs aéroportés et satellitaires existants et en développement, de même qu'à une multitude de techniques d'analyse, il est nécessaire de déterminer les méthodes les plus adéquates pour analyser les images de télédétection dans le contexte des paramètres des écosystèmes forestiers. Nous avons réalisé une revue de la littérature sur la télédétection des forêts boréales afin de déterminer si l'on pouvait développer des cadres communs pour le suivi et l'évaluation des changements des paramètres biophysiques et d'inventaires. D'autres techniques importantes de télédétection, comme la détection du changement et l'identification du couvert ont aussi été examinées. Dans notre revue de la littérature, nous avons examiné les études documentées dans la littérature scientifique faisant référence à l'extraction d'information relative aux paramètres forestiers à l'aide d'instruments de télédétection. Nous avons orienté nos recherches principalement en fonction des études sur la forêt boréale, celle-ci jouant un rôle important dans le système Terre-atmosphère et contribuant de façon significative à l'économie mondiale au niveau des produits dérivés et des ressources de la forêt. De plus, la forêt boréale a servi de site primaire de recherche pour plusieurs découvertes importantes en télédétection des forêts. Dans cette revue, nous avons pris en considération le paramètre forestier étudié, la plateforme de télédétection utilisée et les précisions d'étalonnage et de validation pour l'étude en question. Nous décrivons la méthodologie la plus efficace pour examiner chaque paramètre en fonction de l'échelle spatiale. En général, la fusion des données de capteurs multiples donne l'approche la plus précise pour l'extraction des paramètres; toutefois, celle-ci ne constitue pas nécessairement la méthodologie la plus adéquate pour toutes les études si l'on tient compte des considérations spatiales et temporelles. Dans chaque cas, nous avons tenté de déterminer laquelle des méthodologies donne les meilleurs résultats pour une variété de scénarios.[Traduit par la Rédaction]
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) | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».