Estimation of National Forest Aboveground Biomass from Multi-Source Remotely Sensed Dataset with Machine Learning Algorithms in China
Notice bibliographique
Résumé
Forests are the largest terrestrial ecosystem carbon pool and provide the most important nature-based climate mitigation pathway. Compared with belowground biomass (BGB) and soil carbon, aboveground biomass (AGB) is more sensitive to human disturbance and climate change. Therefore, accurate forest AGB mapping will help us better assess the mitigation potential of forests against climate change. Here, we developed six models to estimate national forest AGB using six machine learning algorithms based on 52,415 spaceborne Light Detection and Ranging (LiDAR) footprints and 22 environmental features for China in 2007. The results showed that the ensemble model generated by the stacking algorithm performed best with a determination coefficient (R2) of 0.76 and a root mean square error (RMSE) of 22.40 Mg/ha. The verifications at pixel level (R2 = 0.78, RMSE = 16.08 Mg/ha) and provincial level (R2 = 0.53, RMSE = 14.05 Mg/ha) indicated the accuracy of the estimated forest AGB map is satisfactory. The forest AGB density of China was estimated to be 53.16 ± 1.63 Mg/ha, with a total of 11.00 ± 0.34 Pg. Net primary productivity (NPP), normalized difference vegetation index (NDVI), enhanced vegetation index (EVI), average annual rainfall, and annual temperature anomaly are the five most important environmental factors for forest AGB estimation. The forest AGB map we produced is expected to reduce the uncertainty of forest carbon source and sink estimations.
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 | 0,000 | 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 | 0,000 | 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 ».