Evaluating the potential for continuous update of enhanced forest inventory attributes using optical satellite data
Notice bibliographique
Résumé
Abstract Timely and detailed inventories of forest resources are of critical importance to guiding sustainable forest management decisions. As forests occur across large spatial extents, remotely sensed data are often used to augment conventional forest inventory measurements. When combined with field plot measurements, airborne laser scanning (ALS) data can be used to derive detailed enhanced forest inventories (EFIs), which provide spatially explicit and wall-to-wall characterizations of forest attributes. However, these EFIs represent a static point in time, and the dynamic nature of forests, coupled with increasing disturbance and uncertain future conditions, generates a need for the continuous updating of forest inventories. This study used a time series of optical satellite data to update an EFI generated for a large (~690 000 ha) forest management unit in Ontario, Canada, at a two-week interval. The two-phase approach involved first building a relationship between single-year EFI attributes (2018) and spectral variables representing within-year slope, amplitude, and trend of a time series (2000–21) of 14 spectral bands and indices. For each of the 20 strata representing different species groups and site productivity classes, a k-nearest neighbor (kNN) model was developed to impute seven common EFI attributes: aboveground biomass, basal area, stem density, Lorey’s height, quadratic mean diameter, and stem volume. Across all strata, models were generally accurate, with relative root mean square error ranging from 11.47% (canopy cover) to 31.82% (stem volume). In the second phase of the approach, models were applied across the entire study area at two-week intervals in order to assess the capacity of the methodology for characterizing change in EFI attributes over a three-year period. Outputs from this second phase demonstrated the potential of the approach for characterizing changes in EFI values in areas experiencing no change or non-stand replacing disturbances. The methods developed herein can be used for EFI update for any temporal interval, thereby enabling more informed decisions by forest managers to prescribe treatments or understand the current state of forest resources.
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 | 0,011 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| 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 ».