Improving maps of forest aboveground biomass: A combined approach using machine learning with a spatial statistical model
Notice bibliographique
Résumé
Abstract. Aboveground biomass (AGB) estimates at the plot level plays a major part in connecting accurate single-tree AGB measurements to relatively difficult regional-scale AGB estimates. However, complex and spatially heterogeneous landscapes, where multiple environmental covariates (such as longitude, latitude, and forest structure) affect the spatial distribution of AGB, make upscaling of plot-level models more challenging. To address this challenge, this study proposes an approach that combines machine learning with spatial statistics to construct a more accurate plot-level AGB model. The study was conducted in a Eucalyptus plantation in Nanjing, China. We developed, evaluated, and compared the accuracy and performance of three different machine learning models [support vector machine (SVM), random forest (RF), and the radial basis function artificial neural network (RBF-ANN)], one spatial statistics model (P-BSHADE), and three combinations thereof (SVM & P-BSHADE, RF & P-BSHADE, RBF-ANN & P-BSHADE) for forest AGB estimates based on AGB data from 30 sample plots and their corresponding environmental covariates. The results show that the performance indices RMSE, nRMSE, MAE, and MRE of all combined models are substantially smaller than those of any individual models, with the RF & P-BSHADE combined method giving the smallest value. These results demonstrate clearly that combined models, especially the RF & P-BSHADE model, can improve the accuracy of plot-level AGB models and reduce uncertainty on plot-level AGB estimates or even on large-forested-landscape AGB estimates. These research results are important because they reduce the uncertainty in estimates of the regional carbon balance.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 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 ».