Predictions of Biomass Change in a Hemi-Boreal Forest Based on Multi-Polarization L- and P-Band SAR Backscatter
Notice bibliographique
Résumé
Above-ground biomass change accumulated during four growth seasons in a hemi-boreal forest was predicted using airborne L- and P-band synthetic aperture radar (SAR) backscatter. The radar data were collected in the BioSAR 2007 and BioSAR 2010 campaigns over the Remningstorp test site in southern Sweden. Regression models for biomass change were developed from biomass maps created using airborne LiDAR data and field measurements. To facilitate training and prediction on image pairs acquired at different dates, a backscatter offset correction method for L-band data was developed and evaluated. The correction, based on the HV/VV backscatter ratio, facilitated predictions across image pairs almost identical to those obtained using data from the same image pair for both training and prediction. For P-band, previous positive results using an offset correction based on the HH/VV ratio were validated. The best L-band model achieved a root mean square error (RMSE) of 21 t/ha, and the best P-band model achieved an RMSE of 19 t/ha. Those accuracies are similar to that of the LiDAR-based biomass change of 18 t/ha. The limitation of using LiDAR-based data for training was considered. The findings demonstrate potential for improved biomass change predictions from L-band backscatter despite varying environmental conditions and calibration uncertainties.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 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 ».