Generating A 10 M Resolution Canopy Height Model Of New York State Using Gedi And Sentinel-2 Data
Notice bibliographique
Résumé
Investigating the quantity of forest above-ground biomass (AGB) is vital for understanding the role of forests in the global carbon cycle. Canopy height model (CHM) plays an important role in estimating AGB. Accurate large-scale forest CHM estimation using traditional methods requires a lot of labor, time, and cost. Remote sensing is a cost-effective approach, which provides valuable information over large areas in a timely manner. Recent advances in spaceborne light detection and ranging (LiDAR) data paved the road for measuring elevation. The global ecosystem dynamics investigation (GEDI) onboard the International Space Station is particularly designed to collect information on vertical vegetation structure. Thus, the main objective of this paper is to use the GEDI level 2A elevation and height metrics product to create a high resolution, state-wide CHM. To create a continuous CHM, GEDI point-based height measurements were extrapolated using Sentinel-2 imagery to produce a 10 m CHM of the New York State for the year 2019. The generated 10 m CHM was evaluated using GEDI height measurements (RMSE=4.85 m, R2=0.65). A comparison of 10 m CHM and a 30 m global CHM (RMSE=6.6 m, R2=0.62) demonstrated the potential of finer spatial resolution and red-edge bands in creating a more accurate CHM which is important to support forest monitoring at large-scale.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».