A comparative assessment of multi-temporal Landsat 8 and machine learning algorithms for estimating aboveground carbon stock in coppice oak forests
Notice bibliographique
Résumé
Remote sensing of low biomass forests has challenges related to the contribution of soil and understory reflectance recorded by sensors, hampering accurate forest aboveground carbon (AGC) quantification. To improve Landsat-based AGC estimates in forests with low biomass, this study explored the use of multi-temporal Landsat 8 Operational Land Imager (OLI) derived spectral information in Zagros forests by testing four machine learning algorithms: support vector machine (SVM), boosted regression trees (BRT), random forest (RF) and multivariate adaptive regression splines (MARS). We selected two forest areas with different levels of human activity for AGC reference plots: un-degraded forest (UD) and highly-degraded forest (HD). The results of the study showed that the Landsat image acquired in the peak of the growing season (10 August) provided the best AGC estimates for the UD site, but that for the HD site, AGC estimates were not affected by the timing of the imagery. The comparison of different modelling methods demonstrated lower accuracies from BRT, considerably biased estimates from SVM, and generally robust results from the RF algorithm. Overall, the study demonstrated the utility of applying the free Landsat 8 OLI dataset to AGC estimation, in particular non-commercial forests in developing countries where little budget is allocated for management.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».