Mapping Two Decades of New York State Forest Aboveground Biomass Change Using Remote Sensing
Notice bibliographique
Résumé
Forest aboveground biomass (AGB) provides valuable information about the carbon cycle, carbon sink monitoring, and understanding of climate change factors. Remote sensing data coupled with machine learning models have been increasingly used for forest AGB estimation over local and regional extents. Landsat series provide a 50-year data archive, which is a valuable source for historical mapping over large areas. As such, this paper proposed a machine learning-based workflow for historical AGB estimation and its change analysis from 2001 to 2019 for the New York State’s forests using Landsat historical imagery, airborne LiDAR, and forest plot data. As the object-based image analysis (OBIA) is able to incorporate spectral, contextual, and textural features into the regression model, the proposed method utilizes an OBIA approach and a random forest (RF) regression model implemented on the Google Earth Engine (GEE) cloud computing platform. Results demonstrated that there is a considerable decrease of 983.79 × 106 Mg/ha in the AGB of deciduous forests from 2001 to 2006, followed by an increase of 618.28 × 106 Mg/ha from 2006 to 2011, continued with an increase of 229.12 × 106 Mg/ha of deciduous forests from 2011–2016. Finally, the results demonstrated a slight change in AGB from 2016 to 2019. The transferability of the proposed framework provides a practical solution for monitoring forests in other states or even on a national scale.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».