Decision tree-based machine learning models for above-ground biomass estimation using multi-source remote sensing data and object-based image analysis
Notice bibliographique
Résumé
Forest above-ground biomass (AGB) estimation provides valuable information about the carbon cycle. Thus, the overall goal of this paper is to present an approach to enhance the accuracy of the AGB estimation. The main objectives are to: 1) investigate the performance of remote sensing data sources, including airborne light detection and ranging (LiDAR), optical, SAR, and their combination to improve the AGB predictions, 2) examine the capability of tree-based machine learning models, and 3) compare the performance of pixel-based and object-based image analysis (OBIA). To investigate the performance of machine learning models, multiple tree-based algorithms were fitted to predictors derived from airborne LiDAR data, Landsat, Sentinel-2, Sentinel-1, and PALSAR-2/PALSAR SAR data collected within New York’s Adirondack Park. Combining remote sensing data from multiple sources improved the model accuracy (RMSE: 52.14 Mg ha−1 and R2: 0.49). There was no significant difference among gradient boosting machine (GBM), random forest (RF), and extreme gradient boosting (XGBoost) models. In addition, pixel-based and object-based models were compared using the airborne LiDAR-derived AGB raster as a training/testing sample. The OBIA provided the best results with the RMSE of 33.77 Mg ha−1 and R2 of 0.81 for the combination of optical and SAR data in the GBM model.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».