Multi-Sensor Aboveground Biomass Estimation in the Broadleaved Hyrcanian Forest of Iran
Notice bibliographique
Résumé
In this study, the capability of Landsat-8 (L8), Sentinel-2 (S2), Sentinel-1 (S1), and their combination was investigated for estimating aboveground biomass (AGB). A pure stand of Fagus Orientalis located in the Hyrcanian forest of Iran was selected as the study area. The performance of a parametric approach, i.e., Multiple Linear Regression (MLR) model and non-parametric approaches, i.e., k-Nearest Neighbor (k-NN), Random Forest (RF), and Support Vector Regression (SVR), were also evaluated for AGB estimations. Our results indicated that among S2 metrics, the FAPAR canopy biophysical index and NDVI index based on the red-edge band (NIR-b8a) have the highest correlation coefficient (r) of 0.420 and 0.417, respectively. The results of AGB estimation showed that a combination of S2 and S1 datasets using the k-NN algorithm had the best accuracy (R-2 of 0.57 and rRMSE of 14.68%). The best rRMSE using L8, S2, and S1 datasets was 18.95, 16.99, and 19.17% using k-NN, k-NN, and MLR algorithms, respectively. The combination of L8 with S1 dataset also improved the rRMSE relative to L8 and S1 separately by 0.96 and 1.18%, respectively. We concluded that the combination of optical data (L8 or S2) with SAR data (S1) improves the broadleaved Hyrcanian AGB estimation.
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 | 0,001 |
| 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 ».