Harmonizing GEDI and LVIS Data for Accurate and Large-Scale Mapping of Foliage Height Diversity
Notice bibliographique
Résumé
Remote sensing is key for large-scale forest mapping, yet the limited integration of LiDAR sensors restricts the spatial coverage of forest attribute estimation. Our study aimed to accurately map Foliage Height Diversity (FHD) in five key North American regions, vital for ongoing research in ecosystem dynamics in western North America. We used a combination of GEDI data and LVIS data, incorporating measures of forest complexity and relative forest heights (RH25, RH50, RH75, and RH98), to predict FHD with a random forest regression in the Kluane region, southwest Yukon—a northernmost site where GEDI data are not available. This method was designed to overcome spatial coverage limitations of different sensors, enabling the production of consistent, precise, multi-temporal FHD maps across all sites. We found strong agreement between predicted and observed FHD values estimated from Airborne Laser Scanning in the Yukon (R2 = 0.72; RMSE = 0.46). Additionally, we upscaled GEDI FHD predictions in all sites by integrating Landsat imagery, ALOS PALSAR, and topographical data, resulting in high accuracy (R2 = 0.85; RMSE = 0.26). Our findings demonstrate that by harmonizing full-wave form LiDAR sensors, we can significantly expand the coverage of LiDAR data, allowing for consistent broad-scale analyses of forest attributes.
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 | 0,000 |
| 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) | 0,000 | 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 ».