National mapping and estimation of forest area by dominant tree species using Sentinel-2 data
Notice bibliographique
Résumé
Nation-wide Sentinel-2 mosaics were used with National Forest Inventory (NFI) plot data for modelling and subsequent mapping of spruce-, pine-, and deciduous-dominated forest in Norway at a 16 m × 16 m resolution. The accuracies of the best model ranged between 74% for spruce and 87% for deciduous forest. An overall accuracy of 90% was found on stand level using independent data from more than 42 000 stands. Errors mostly resulting from a forest mask reduced the model accuracies by ∼10%. The produced map was subsequently used to generate model-assisted (MA) and poststratified (PS) estimates of species-specific forest area. At the national level, efficiencies of the estimates increased by 20% to 50% for MA and up to 90% for PS. Greater minimum numbers of observations constrained the use of PS. For MA estimates of municipalities, efficiencies improved by up to a factor of 8 but were sometimes also less than 1. PS estimates were always equally as or more precise than direct and MA estimates but were applicable in fewer municipalities. The tree species prediction map is part of the Norwegian forest resource map and is used, among others, to improve maps of other variables of interest such as timber volume and biomass.
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 | 0,001 | 0,001 |
| 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 ».