Sub-Canopy Topography Estimation from TanDEM-X DEM by Fusing ALOS-2 PARSAR-2 InSAR Coherence and GEDI Data
Notice bibliographique
Résumé
This paper develops a framework for extracting sub-canopy topography from the TanDEM-X digital elevation model (DEM) by fusing ALOS-2 PARSAR-2 interferometric synthetic aperture radar (InSAR) coherence and Global Ecosystem Dynamics Investigation (GEDI) data. The main idea of this method is to estimate the forest height signals caused by the limited penetration of the X-band into the canopy from the TanDEM-X DEM. To achieve this goal, a spaceborne repeat-pass InSAR coherent scattering model is first used to estimate the forest height by the ALOS-2 PARSAR-2 InSAR coherence (APIC), taking the GEDI canopy height as the reference. Then, a linear regression model of the TanDEM-X DEM Vegetation Bias (TDVB) depending on the forest height and the fraction of vegetation cover (FVC) is established and used to estimate the sub-canopy topography. The proposed method was validated by the data of the Amazon rainforest and a boreal forest in Canada. The results showed that the proposed method extracted the sub-canopy topography at the study sites in the tropical forest and boreal forest with the root mean square error of 4.0 m and 6.33 m, respectively, and improved the TanDEM-X DEM accuracy by 75.7% and 39.7%, respectively.
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 | 0,000 | 0,000 |
| 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 ».