Mapping and Scaling of In Situ Above Ground Biomass to Regional Extent With SAR in the Great Slave Region
Notice bibliographique
Résumé
Abstract Global forests are increasingly threatened by disturbance events such as wildfire. Spaceborne Synthetic Aperture Radar (SAR) missions at L‐ (or P‐) band, such as the upcoming NASA ISRO SAR (NISAR), have great potential to advance global mapping of above‐ground biomass (AGB). AGB mapping with SAR is challenging due to lack of available L‐ or P‐ band data, and because SAR data are sensitive to confounding factors such as hydrology and terrain. This study uses recently collected AGB validation site data (AGBV) to produce a 1 ha biomass map about the Great Slave Lake in Canada using SAR data, and reports on NISAR's anticipated performance. This study addresses errors inherent to the representativeness of AGBVs with coarser grid/landscape scale processes by evaluating model performance as data are aggregated over increasingly larger areas (AOAs). Air and spaceborne SAR data were found to be interoperable after processing them according to analysis ready data specifications, improving data availability. Owing to poor model performance at two AGBVs, root‐mean‐square errors (RMSEs) were ∼60 Mg/ha, irrespective of AOA. When instead using NISAR's more lenient assessment criteria, RMSEs decreased to 32, 15, and 21 Mg/ha for the small (∼0.1 ha), medium (∼3.5 ha), and large (∼14 ha) AOA. Thus, AGB mapping in this region appears to benefit significantly from coarser data aggregations than to be used by NISAR's. This approach is practical for identifying a suitable scale of correspondence between the AGBV and SAR data and the landscape‐scale processes and can substantially improve AGB mapping accuracy.
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 | 0,000 | 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 ».