Estimation of Above-Ground Biomass over Boreal Forests in Siberia Using Updated In Situ, ALOS-2 PALSAR-2, and RADARSAT-2 Data
Notice bibliographique
Résumé
The estimation of above-ground biomass (AGB) in boreal forests is of special concern as it constitutes the highest carbon pool in the northern hemisphere. Particularly, monitoring of the forests in the Russian Federation is important as some regions have not been inventoried for many years. This study explores the combination of multi-frequency, multi-polarization, and multi-temporal radar data as one key approach to provide an accurate estimate of forest biomass. The data from L-band Advanced Land Observing Satellite 2 (ALOS-2) Phased Array L-Band Synthetic Aperture Radar 2 (PALSAR-2), together with C-band RADARSAT-2 data, were applied for AGB estimation. Backscatter coefficients from L- and C-band radar were used independently and in combination with a non-parametric model to retrieve AGB data for a boreal forest in Siberia (Krasnoyarskiy Kray). AGB estimation was performed using the random forests machine learning algorithm. The results demonstrated that high estimation accuracies can be achieved at a spatial resolution of 0.25 ha. When the L-band data alone were used for the retrieval, a corrected root-mean-square error (RMSEcor) of 29.4 t ha−1 was calculated. A marginal decrease in RMSEcor was observed when only the filtered L-band backscatter data, without ratio and texture, were used (29.1 t ha−1). The inclusion of the C-band data reduced the over and underestimation; the bias was reduced from 5.5 t ha−1 to 4.7 t ha−1; and a RMSEcor of 30.2 t ha−1 was calculated.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».