Model-based estimation of above-ground biomass in the miombo ecoregion of Zambia
Notice bibliographique
Résumé
Information on above-ground biomass (AGB) is important for managing forest resource use at local levels, land management planning at regional levels, and carbon emissions reporting at national and international levels. In many tropical developing countries, this information may be unreliable or at a scale too coarse for use at local levels. There is a vital need to provide estimates of AGB with quantifiable uncertainty that can facilitate land use management and policy development improvements. Model-based methods provide an efficient framework to estimate AGB. Using National Forest Inventory (NFI) data for a ~1,000,000 ha study area in the miombo ecoregion, Zambia, we estimated AGB using predicted canopy cover, environmental data, disturbance data, and Landsat 8 OLI satellite imagery. We assessed different combinations of these datasets using three models, a semiparametric generalized additive model (GAM) and two nonlinear models (sigmoidal and exponential), employing a genetic algorithm for variable selection that minimized root mean square prediction error (RMSPE), calculated through cross-validation. We compared model fit statistics to a null model as a baseline estimation method. Using bootstrap resampling methods, we calculated 95 % confidence intervals for each model and compared results to a simple estimate of mean AGB from the NFI ground plot data. Canopy cover, soil moisture, and vegetation indices were consistently selected as predictor variables. The sigmoidal model and the GAM performed similarly; for both models the RMSPE was ~36.8 tonnes per hectare (i.e., 57 % of the mean). However, the sigmoidal model was approximately 30 % more efficient than the GAM, assessed using bootstrapped variance estimates relative to a null model. After selecting the sigmoidal model, we estimated total AGB for the study area at 64,526,209 tonnes (+/− 477,730), with a confidence interval 20 times more precise than a simple design-based estimate. Our findings demonstrate that NFI data may be combined with freely available satellite imagery and soils data to estimate total AGB with quantifiable uncertainty, while also providing spatially explicit AGB maps useful for management, planning, and reporting purposes.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».