Data Assimilation of Growing Stock Volume Using a Sequence of Remote Sensing Data from Different Sensors
Notice bibliographique
Résumé
Airborne Laser Scanning (ALS) has implied a disruptive transformation of how data are gathered for forest management planning in Nordic countries. We show in this study that the accuracy of ALS predictions of growing stock volume can be maintained and even improved over time if they are forecasted and assimilated with more frequent but less accurate remote sensing data sources like satellite images, digital photogrammetry, and InSAR. We obtained these results by introducing important methodological adaptations to data assimilation compared to previous forestry studies in Sweden. On a test site in the southwest of Sweden (58 degrees 27 ' N, 13 degrees 39 ' E), we evaluated the performance of the extended Kalman filter and a proposed modified filter that accounts for error correlations. We also applied classical calibration to the remote sensing predictions. We evaluated the developed methods using a dataset with nine different acquisitions of remotely sensed data from a mix of sensors over four years, starting and ending with ALS-based predictions of growing stock volume. The results showed that the modified filter and the calibrated predictions performed better than the standard extended Kalman filter and that at the endpoint the prediction based on data assimilation implied an improved accuracy (25.0% RMSE), compared to a new ALS-based prediction (27.5% RMSE).
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».