Extending ALS-Based Mapping of Forest Attributes with Medium Resolution Satellite and Environmental Data
Notice bibliographique
Résumé
Airborne laser scanner (ALS) data are used to map a range of forest inventory attributes at operational scales. However, when wall-to-wall ALS coverage is cost prohibitive or logistically challenging, alternative approaches are needed for forest mapping. We evaluated an indirect approach for extending ALS-based maps of forest attributes using medium resolution satellite and environmental data. First, we developed ALS-based models and predicted a suite of forest attributes for a 950 km2 study area covered by wall-to-wall ALS data. Then, we used samples extracted from the ALS-based predictions to model and map these attributes with satellite and environmental data for an extended 5600 km2 area with similar forest and ecological conditions. All attributes were predicted well with the ALS data (R2 ≥ 0.83; RMSD% < 26). The satellite and environmental models developed using the ALS-based predictions resulted in increased correspondence between observed and predicted values by 13–49% and decreased prediction errors by 8–28% compared with models developed directly with the ground plots. Improvements were observed for both multiple regression and random forest models, and for the suite of forest attributes assessed. We concluded that the use of ALS-based predictions in this study improved the estimation of forest attributes beyond an approach linking ground plots directly to the satellite and environmental data.
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 ».