The Best of Both Worlds? Integrating Sentinel-2 Images and airborne LiDAR to Characterize Forest Regeneration
Notice bibliographique
Résumé
Sustainable forest management relies on practices ensuring vigorous post-harvest regeneration. Data on regeneration structure and composition are often collected through intensive field surveys. Remote sensing technologies (e.g., Light Detection and Ranging (LiDAR), satellite imagery) can cover a much larger spatial extent, but their ability to estimate regeneration characteristics is often challenged by the obstruction associated with canopy foliage. Here, we determined whether the integration of LiDAR and Sentinel-2 images can increase the accuracy of sapling density estimates and whether this accuracy decreased with canopy cover in the Acadian forest of New Brunswick, Canada. Using random forest regression, we compared the accuracy of three models (LiDAR and Sentinel-2 images alone or combined) to estimate sapling density for two species groups: saplings of all species or commercial species only. The integration of both sensors did not increase the accuracy of sapling density estimates, nor did it reduce the negative influence of canopy cover for either species group compared to LiDAR, but it increased the accuracy by approximately 15% relative to Sentinel-2 images. Under very high canopy cover, the accuracy of density estimates for all species combined was significantly lower with Sentinel-2 images only. We recommend using LiDAR and high-resolution satellite images acquired in the fall to obtain more accurate estimates of sapling density.
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 | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».