Study of The Transferability of Rfr-Based and Cnn-Based Algorithms for Canopy Height Prediction from Sentinel-2 Images
Notice bibliographique
Résumé
Recently, studies have focused on integrating LiDAR data and satellite images to improve forest canopy height monitoring of large areas. Notably, algorithms based on Random Forest Regression (RFR) and Convolutional Neural Networks (CNN) have shown enhanced accuracy in predicting canopy heights. This study explores the transferability of RFR-based and CNN-based prediction algorithms using airborne LiDAR data and Sentinel-2 images from 2018 and 2021. The 2018 LiDAR and Sentinel-2 were used to train the RFR and CNN prediction algorithms. The trained RFR and CNN algorithms were then used to predict 2018 canopy height from 2018 Sentinel-2 and 2021 canopy height from 2021 Sentinal-2, respectively. Validation results reveal that the RFR-based algorithm achieved a mean absolute error (MAE) of 2.93m for 2018 canopy height and 3.35m for 2021 canopy height. The CNN-based algorithm yielded a MAE of 1.71m for 2018 and 3.78m for 2021. These findings demonstrate the feasibility of predicting forest canopy heights in the same and different years once the RFR and CNN prediction algorithms are properly trained.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».