A COMPARATIVE ANALYSIS OF PIXEL-BASED AND OBJECT-BASED APPROACHES FOR FOREST ABOVE-GROUND BIOMASS ESTIMATION USING RANDOM FOREST MODEL
Notice bibliographique
Résumé
Abstract. Providing an accurate above-ground biomass (AGB) map is of paramount importance for carbon stock and climate change monitoring. The main objective of this study is to compare the performance of pixel-based and object-based approaches for AGB estimation of temperate forests in north-eastern of New York State. Second, the capabilities of optical, SAR, and optical + SAR data were investigated. To achieve the goals, the random forest (RF) regression algorithm was used to model and predict the AGB values. Optical (i.e. Landsat 5TM, Landsat 8 OLI, and Sentinel-2), synthetic aperture radar (SAR) (Sentinel-1 and global phased array type L-band SAR (PALSAR/PALSAR-2)), and their integration have been used to estimate the AGB. It is worth mentioning that the airborne light detection and ranging (LiDAR) AGB raster has been used as a reference data for training/testing purposes. The results demonstrate that the OBIA approach enhanced the RMSE of AGB estimation about 5.32 Mg/ha, 8.9 Mg/ha, and 5.29 Mg/ha for optical, SAR, and optical + SAR data, respectively. Moreover, optical + SAR data with the RMSE of 42.63 Mg/ha and R2 of 0.72 for pixel-based and RMSE of 37.31 Mg/ha and R2 of 0.77 for object-based approach provided the best results.
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 | 0,002 | 0,003 |
| 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 | 0,000 |
| 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 ».