Using GEDI Waveforms for Improved TanDEM-X Forest Height Mapping: A Combined SINC + Legendre Approach
Notice bibliographique
Résumé
In this paper, we consider a new method for forest canopy height estimation using TanDEM-X single-pass radar interferometry. We exploit available information from sample-based, space-borne LiDAR systems, such as the Global Ecosystem Dynamics Investigation (GEDI) sensor, which offers high-resolution vertical profiling of forest canopies. To respond to this, we have developed a new extended Fourier-Legendre series approach for fusing high-resolution (but sparsely spatially sampled) GEDI LiDAR waveforms with TanDEM-X radar interferometric data to improve wide-area and wall-to-wall estimation of forest canopy height. Our key methodological development is a fusion of the standard uniform assumption for the vertical structure function (the SINC function) with LiDAR vertical profiles using a Fourier-Legendre approach, which produces a convergent series of approximations of the LiDAR profiles matched to the interferometric baseline. Our results showed that in our test site, the Petawawa Research Forest, the SINC function is more accurate in areas with shorter canopy heights (<~27 m). In taller forests, the SINC approach underestimates forest canopy height, whereas the Legendre approach avails upon simulated GEDI forest structural vertical profiles to overcome SINC underestimation issues. Overall, the SINC + Legendre approach improved canopy height estimates (RMSE = 1.29 m) compared to the SINC approach (RMSE = 4.1 m).
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».