Framework for near real-time forest inventory using multi source remote sensing data
Notice bibliographique
Résumé
Abstract Forestry inventory update is a critical component of sustainable forest management, requiring both the spatially explicit identification of forest cover change and integration of sampled or modelled components like growth and regeneration. Contemporary inventory data demands are shifting, with an increased focus on accurate attribute estimation via the integration of advanced remote sensing data such as airborne laser scanning (ALS). Key challenges remain, however, on how to maintain and update these next-generation inventories as they age. Of particular interest is the identification of remotely sensed data that can be applied cost effectively, as well as establishing frameworks to integrate these data to update information on forest condition, predict future growth and yield, and integrate information that can guide forest management or silvicultural decisions such as thinning and harvesting prescriptions. The purpose of this article is to develop a conceptual framework for forestry inventory update, which is also known as the establishment of a ‘living inventory’. The proposed framework contains the critical components of an inventory update including inventory and growth monitoring, change detection and error propagation. In the framework, we build on existing applications of ALS-derived enhanced inventories and integrate them with data from satellite constellations of free and open, analysis-ready moderate spatial resolution imagery. Based on a review of the current literature, our approach fits trajectories to chronosequences of pixel-level spectral index values to detect change. When stand-replacing change is detected, corresponding values of cell-level inventory attributes are reset and re-established based on an assigned growth curve. In the case of non–stand-replacing disturbances, cell estimates are modified based on predictive models developed between the degree of observed spectral change and relative changes in the inventory attributes. We propose that additional fine-scale data can be collected over the disturbed area, from sources such as CubeSats or remotely piloted airborne systems, and attributes updated based on these data sources. Cells not identified as undergoing change are assumed unchanged with cell-level growth curves used to increment inventory attributes. We conclude by discussing the impact of error propagation on the prediction of forest inventory attributes through the proposed near real-time framework, computing needs and integration of other available remote sensing data.
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 | 0,008 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».