Forest Potential Productivity Mapping by Linking Remote-Sensing-Derived Metrics to Site Variables
Notice bibliographique
Résumé
A fine-resolution region-wide map of forest site productivity is an essential need for effective large-scale forestry planning and management. In this study, we incorporated Sentinel-2 satellite data into an increment-based measure of forest productivity (biomass growth index (BGI)) derived from climate, lithology, soils, and topographic metrics to map improved BGI (iBGI) in parts of North American Acadian regions. Initially, several Sentinel-2 variables including nine single spectral bands and 12 spectral vegetation indices (SVIs) were used in combination with forest management variables to predict tree volume/ha and height using Random Forest. The results showed a 10–12 % increase in out of bag (OOB) r2 when Sentinel-2 variables were included in the prediction of both volume and height together with BGI. Later, selected Sentinel-2 variables were used for biomass growth prediction in Maine, USA and New Brunswick, Canada using data from 7738 provincial permanent sample plots. The Sentinel-2 red-edge position (S2REP) index was identified as the most important variable over others to have known influence on site productivity. While a slight improvement in the iBGI accuracy occurred compared to the base BGI model (~2%), substantial changes to coefficients of other variables were evident and some site variables became less important when S2REP was included.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 ».