EVALUATING PIXEL-BASED AND OBJECT-BASED APPROACHES FOR FOREST ABOVE-GROUND BIOMASS ESTIMATION USING A COMBINATION OF OPTICAL, SAR, AND AN EXTREME GRADIENT BOOSTING MODEL
Notice bibliographique
Résumé
Abstract. The above-ground biomass (AGB) estimation monitoring provides a powerful tool for the assessment of carbon emission and sequestration. Using remote sensing technique is an environmentally friendly way of biomass estimation. Thus, this paper investigated optical (i.e. Landsat 8 OLI and Sentinel-2), synthetic aperture radar (SAR) (global phased array type L-band SAR (PALSAR/PALSAR-2) and Sentinel-1), and their integration for AGB estimation of the Pack demonstration forest in Warrensburg, NY. Importantly, a LiDAR AGB raster of the study area was used as reference data for training/testing purposes. Then, an extreme gradient boosting (Xgboost) machine learning model was used to predict biomass values. The major goal of this study was to compare the performance of pixel-based and object-based image analysis (OBIA) for the AGB estimation. Results indicated that the object-based approach improved the RMSE of AGB prediction about 6.28 Mg/ha for optical + SAR, 6.17 Mg/ha for SAR, and 5.6 Mg/ha for optical data in comparison to the pixel-based approach. Moreover, the combination of optical and SAR data increased the prediction accuracy regardless of feature extraction approach.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».