MétaCan
Menu
Retour à la cohorte
Enregistrement W4381283936 · doi:10.3126/njg.v22i1.55123

Estimation of Above Ground Biomass and Carbon Stock using UAV images

2023· article· en· W4381283936 sur OpenAlexaff
Sandesh Upadhyaya, Prabin Gyawali, Sambhav Sapkota, Nishan Neupane, Manoj Neupane

Notice bibliographique

RevueNepalese journal of geoinformatics/Journal of geoinformatics Nepal · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensFanshawe College
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceTree allometryAllometryGreenhouse gasCarbon stockCarbon sequestrationStock (firearms)ForestryAtmospheric sciencesBiomass (ecology)Remote sensingMathematicsCarbon dioxideClimate changeEcologyGeographyBiologyGeology

Résumé

récupéré en direct d'OpenAlex

Forests have a vital role in maintaining global climate stability by removing greenhouse gases like carbon dioxide from environment. Estimation of carbon stock is crucial in quantifying the amount of carbon that is present in the forest. The estimation of forest biomass and carbon stock through field measurements is a challenging and timeconsuming task. Here in this scenario, our study aims to estimate carbon stock in a forest area using the hybrid technique i.e., aerial survey and ground survey. We used low-altitude remote sensing data acquired by UAV to estimate biomass and carbon stock in an efficient way compared to the traditional techniques. We developed an orthomosaic from the collected aerial imageries and manually delineated tree crowns to obtain crown projection area (CPA) for the entire study area using GIS tools. Our study area contained a mixed species with Pinus Wallichiana to be the dominant species while other species are negligible. Using field-measured tree height and diameter at breast height (DBH) as input, we estimated above-ground biomass (AGB) with an allometric equation and then used a factor value to estimate carbon stock or aboveground carbon (AGC) for six sample plots. Next, we developed a relationship between CPA and carbon stock and validated it by comparing the carbon stock values obtained from the allometric equation for the remaining four sample plots. Among the various developed model, 4th order Polynomial model was chosen due to its highest coefficient of correlation. After the model validation was done the AGC of whole study area was obtained by using the CPA delineated manually from the orthomosaic image. The total AGC and AGB obtained for our study area which was about 7 hectare was 210.7480 tons and 448.4 tons respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,016
Tête enseignante GPT0,259
Écart entre enseignants0,244 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNepalese journal of geoinformatics/Journal of geoinformatics NepalMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207