Estimates of Forest Growing Stock Volume for Sweden, Central Siberia, and Québec Using Envisat Advanced Synthetic Aperture Radar Backscatter Data
Notice bibliographique
Résumé
A study was undertaken to assess Envisat Advanced Synthetic Aperture Radar (ASAR) ScanSAR data for quantifying forest growing stock volume (GSV) across three boreal regions with varying forest types, composition, and structure (Sweden, Central Siberia, and Québec). Estimates of GSV were obtained using hyper-temporal observations of the radar backscatter acquired by Envisat ASAR with the BIOMASAR algorithm. In total, 5.3×106 km2 were mapped with a 0.01° pixel size to obtain estimates representative for the year of 2005. Comparing the SAR-based estimates to spatially explicit datasets of GSV, generated from forest field inventory and/or Earth Observation data, revealed similar spatial distributions of GSV. Nonetheless, the weak sensitivity of C-band backscatter to forest structural parameters introduced significant uncertainty to the estimated GSV at full resolution. Further discrepancies were observed in the case of different scales of the ASAR and the reference GSV and in areas of fragmented landscapes. Aggregation to 0.1° and 0.5° was then undertaken to generate coarse scale estimates of GSV. The agreement between ASAR and the reference GSV datasets improved; the relative difference at 0.5° was consistently within a magnitude of 20–30%. The results indicate an improvement of the characterization of forest GSV in the boreal zone with respect to currently available information.
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 ».