Bridging the Gap: Comprehensive Boreal Forest Complexity Mapping through LVIS Full-Waveform LiDAR, Single-Year and Time Series Landsat Imagery
Notice bibliographique
Résumé
The extrapolation of forest structural attributes from LiDAR has traditionally been restricted to local or regional scales, hindering a thorough assessment of single-year versus time series predictors across expansive spatial scales. We extrapolated the vertical complexity captured by the Land, Vegetation, and Ice Sensor (LVIS) full-wave form LiDAR of boreal forests in the Alaska–Yukon–Northwest Territories region, utilizing predictors from Landsat images from 1989 to 2019. This included both single-year and long-term estimates of vegetation indices, alongside constant factors like terrain slope and location. Random forest regression models comparing the single-year and 15-year and 30-year time series models were applied. Additionally, the potential of estimating horizontal forest complexity from vertical complexity was explored using a moving window approach in the Kluane Valley. While the extended time series marginally enhanced model accuracy, a fine-tuned single-year model proved superior (R2 = 0.84, relative RRMSE = 8.4%). In estimating the horizontal complexity, the variance in a 5 × 5 moving window displayed the most promising results, aligning with traditional horizontal structure measures. Single-year Landsat models could potentially surpass time series models in predicting forest vertical complexity, with the added capability to estimate horizontal complexity using variance in a moving window approach.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».