Integration of GLAS and Landsat TM data for aboveground biomass estimation
Notice bibliographique
Résumé
AbstractCurrent regional aboveground biomass estimation techniques, such as those that require extensive fieldwork or airborne light detection and ranging (lidar) data for validation, are time and cost intensive. The use of freely available satellite-based data for carbon stock estimation mitigates both the cost and the spatial limitations of field-based techniques. Spaceborne lidar data have been demonstrated as useful for aboveground biomass (AGBM) estimation over a wide range of biomass values and forest types. However, the application of these data is limited because of their spatially discrete nature. Spaceborne multispectral sensors have been used extensively to estimate AGBM, but these methods have been demonstrated as inappropriate for forest structure characterization in high-biomass mature forests. This study uses an integration of ICESat Geospatial Laser Altimeter System (GLAS) lidar and Landsat data to develop methods to estimate AGBM in an area of south-central British Columbia, Canada. We compare estimates with a reliable AGBM map of the area derived from high-resolution airborne lidar data to assess the accuracy of satellite-based AGBM estimates. Further, we use the airborne lidar dataset in combination with forest inventory data to explore the relationship between model error and canopy height, AGBM, stand age, canopy rugosity, mean diameter at breast height (DBH), canopy cover, terrain slope, and dominant species type. GLAS AGBM models were shown to reliably estimate AGBM (R2 = 0.77) over a range of biomass conditions. A partial least squares AGBM model using Landsat input data to estimate AGBM (derived from GLAS) had an R2 of 0.60 and was found to underestimate AGBM by an average of 26 Mg/ha per pixel when applied to areas outside of the GLAS transect. This study demonstrates that Landsat and GLAS data integration are most useful for forests with less than 120 Mg/ha of AGBM, less than 60 years of age, and less than 60% canopy cover. These techniques have high associated error when applied to areas with greater than 200 Mg/ha of AGBM.Les techniques actuelles d'estimation de la biomasse aérienne à l'échelle régionale, telles que celles qui requièrent beaucoup de travail de terrain ou des données lidar (« light detection and ranging ») aéroportées pour validation, sont onéreuses en termes de temps et de coûts. L'utilisation de données satellite disponibles gratuitement pour l'estimation des stocks de carbone permet de pallier les coûts et les limitations spatiales liés aux techniques basées sur les campagnes de terrain. L'utilité des données satellite lidar a été démontrée pour l'estimation de la biomasse aérienne (AGBM) et ce pour une grande variété de valeurs de biomasse et de types de forêts. Toutefois, l'application de ces données est limitée en raison de la nature spatialement discrète de ces dernières. Les capteurs satellitaires multispectraux ont été utilisés largement pour estimer l'AGBM, mais ces méthodes se sont avérées inappropriées pour la caractérisation de la structure de la forêt dans les forêts de forte biomasse et matures. La présente étude utilise une intégration des données du système GLAS (« Geospatial Laser Altimeter System ») de ICESAT ainsi que des données lidar et de Landsat pour développer des méthodes pour l'estimation de l'AGBM dans un secteur du centre sud de la Colombie-britannique, au Canada. On compare ces estimations par rapport à une carte fiable de l'AGBM pour la zone dérivée des données lidar aéroportées à haute résolution afin d'évaluer la précision des estimations de l'AGBM basées sur les données satellite. De plus, on utilise l'ensemble de données lidar aéroportées en combinaison avec des données d'inventaire forestier pour documenter la relation entre l'erreur liée au modèle et la hauteur du couvert, l'AGBM, l'âge du peuplement, la rugosité du couvert, le DHP moyen, la nature du couvert, la pente du terrain et le type d'espèces dominantes. Les modèles d'AGBM de GLAS ont démontré leur fiabilité dans l'estimation de l'AGBM (R2 = 0,77) dans une variété de conditions de biomasse. Un modèle des moindres carrés partiels de l'AGBM utilisant comme données d'entrée des données de Landsat pour estimer l'AGBM (dérivée de GLAS) affichait un R2 de 0,60 et on a pu observer qu'il sous-estime l'AGBM par en moyenne 26 Mg/ha par pixel lorsqu'on l'applique dans des zones à l'extérieur du transect de GLAS. Cette étude a démontré que l'intégration des données de Landsat et de GLAS est très utile pour les forêts ayant moins de 120 Mg/ha d'AGBM, moins de soixante ans d'âge et moins de 60 % de couvert. Ces techniques présentent des erreurs associées élevées lorsque appliquées dans des zones avec plus de 200 Mg/ha d'AGBM.[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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».