MétaCan
Menu
Retour à la cohorte
Enregistrement W4307037656 · doi:10.1111/gcb.16497

Toward a forest biomass reference measurement system for remote sensing applications

2022· review· en· W4307037656 sur OpenAlexaboutno aff
Nicolas Labrière, Stuart J. Davies, Mathias Disney, Laura Duncanson, Martin Herold, Simon L. Lewis, Oliver L. Phillips, S. Quegan, Sassan Saatchi, Dmitry Schepaschenko, Klaus Scipal, Plínio Sist, Jérôme Chave

Notice bibliographique

RevueGlobal Change Biology · 2022
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensnon disponible
Organismes subventionnairesH2020 European Research CouncilNatural Environment Research CouncilAgence Nationale de la RechercheIndian Space Research OrganisationHORIZON EUROPE Framework ProgrammeHorizon 2020 Framework ProgrammeEuropean CommissionSight Research UKNational Science Foundation of Sri LankaRussian Science FoundationNational Science FoundationRoyal SocietyEuropean Space AgencyNational Aeronautics and Space Administration
Mots-clésRemote sensingBiomass (ecology)Environmental scienceEnvironmental resource managementGeographyGeologyOceanography

Résumé

récupéré en direct d'OpenAlex

Forests contribute to climate change mitigation through carbon storage and uptake, but the extent to which this carbon pool varies in space and time is still poorly known. Several Earth Observation missions have been specifically designed to address this issue, for example, NASA's GEDI, NASA-ISRO's NISAR and ESA's BIOMASS. Yet, all these missions' products require independent and consistent validation. A permanent, global, in situ, site-based forest biomass reference measurement system relying on ground data of the highest possible quality is therefore needed. Here, we have assembled a list of almost 200 high-quality sites through an in-depth review of the literature and expert knowledge. In this study, we explore how representative these sites are in terms of their coverage of environmental conditions, geographical space and biomass-related forest structure, compared to those experienced by forests worldwide. This work also aims at identifying which sites are the most representative, and where to invest to improve the representativeness of the proposed system. We show that the environmental coverage of the system does not seem to improve after at least the 175 most representative sites are included, but geographical and structural coverages continue to improve as more sites are added. We highlight the areas of poor environmental, geographical, or structural coverage, including, but not limited to, Canada, the western half of the USA, Mexico, Patagonia, Angola, Zambia, eastern Russia, and tropical and subtropical highlands (e.g. in Colombia, the Himalayas, Borneo, Papua). For the proposed system to succeed, we stress that (1) data must be collected and processed applying the same standards across all countries and continents; (2) system establishment and management must be inclusive and equitable, with careful consideration of working conditions; and (3) training and site partner involvement in downstream activities should be mandatory.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,998
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,261
Tête enseignante GPT0,351
Écart entre enseignants0,090 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations61
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Change BiologyMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207