Estimating species-specific leaf area index and basal area using optical and SAR remote sensing data in Acadian mixed spruce-fir forests, USA
Notice bibliographique
Résumé
This study combined Sentinel-1 synthetic aperture radar (SAR), Sentinel-2 multispectral, and site variable datasets to model leaf area index (LAI) and basal area per ha (BAPH) of two economically important tree species in Northeast, USA; red spruce (Picea rubens Sarg.; RS), and balsam fir (Abies balsamea (L.) Mill.; BF). We used Random Forest (RF), and Multi-Layer Perceptron (MLP) algorithms for LAI and BAPH modeling. The results showed that RF outperformed MLP by reducing the normalized root mean square error (nRMSE) by 0.01 and 0.06 for LAI and BAPH, respectively. The final variables selected for modeling of both LAI and BAPH indicated the superiority of Sentinel-2 variables over the Sentinel-1 SAR with minor contributions of site variables (mainly elevation). The red-edge spectral vegetation indices played a significant role in both LAI and BAPH estimation. We attained the lowest nRMSEs of 0.12, and 0.16 for the final LAI model of RS, and BF, respectively using Sentinel-2 and site variables. The lowest nRMSE for both RS and BF BAPH models was 0.12. As RS and BF are the primary host species for a cyclically occurring and most destructive pest of the region, eastern spruce budworm (Choristoneura fumiferana; SBW), these estimations will be useful to evaluate SBW dynamics in the region.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».