Comparison of Machine and Deep Learning Methods to Estimate Shrub Willow Biomass from UAS Imagery
Notice bibliographique
Résumé
Shrub willow is considered an important dedicated energy crop in temperate climates for the production of bioenergy, biofuels, and bio-based products. A methodology to rapidly and accurately estimate above-ground biomass (AGB) is essential for understanding potential biomass supply, identifying potential growth limitations, and making management decisions. The main objective of this study was to investigate different statistical, machine learning, and deep learning models to estimate shrub willow AGB at a site in Camillus, NY using multi-spectral unmanned aerial system (UAS) imagery. The efficiency of the convolutional neural network (CNN) deep learning algorithm was compared to the well-known methods including linear regression, decision tree (DT), random forest (RF), and support vector regression (SVR). The RF model estimated the AGB with the root mean square error (RMSE) of 1.73 Mg/ha and R2 of 0.95, and outperformed other methods. The next most effective method was CNN with the RMSE of 2.69 Mg/ha and R2 of 0.89. Feature importance analysis indicated that normalized difference vegetation index (NDVI), ratio vegetation index (RVI), and difference vegetation index (DVI) had the greatest contribution to AGB estimation. This study compared shrub willow AGB estimation models using UAS imagery which will streamline bioenergy/biofuel development compared to the existing methods.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».