Integrating forest inventory data and MODIS data to map species-level biomass in Chinese boreal forests
Notice bibliographique
Résumé
Timely and accurate knowledge of species-level biomass is essential for forest managers to sustain forest resources and respond to various forest disturbance regimes. In this study, maps of species-level biomass in Chinese boreal forests were generated by integrating Moderate Resolution Imaging Spectroradiometer (MODIS) images with forest inventory data using k nearest neighbor (kNN) methods and evaluated at different scales. The performance of 630 kNN models based on different distance metrics, k values, and temporal MODIS predictor variables were compared. Random Forest (RF) showed the best performance among the six distance metrics: RF, Euclidean distance, Mahalanobis distance, most similar neighbor in canonical correlation space, most similar neighbor computed using projection pursuit, and gradient nearest neighbor. No appreciable improvement was observed using multi-month MODIS data compared with using single-month MODIS data. At the pixel scale, species-level biomass for larch and white birch had relatively good accuracy (root mean square deviation < 62.1%), while the other species had poorer accuracy. The accuracy of most species except for willow and spruce was improved up to the ecoregion scale. The maps of species-level biomass captured the effects of disturbances including fire and harvest and can provide useful information for broad-scale forest monitoring over time.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».