A Bi-Temporal Airborne Lidar Shrub-to-Tree Aboveground Biomass Model for the Taiga of Western Canada
Notice bibliographique
Résumé
Monitoring aboveground biomass (AGB) is critical for carbon reporting and quantifying ecosystem change. AGB from field data can be scaled to the region using airborne lidar. However, lidar-based AGB products emphasize upland forests, which may not represent the conditions in rapidly changing peatland complexes in the southern Taiga of western Canada. In addition, to ensure that modeled AGB changes do not incorporate systematic error due to differences between older and newer lidar technologies, model transfer tests are required. The aim of this study was to develop one bi-temporal lidar-based AGB model applicable to (1) vegetation structures at varying vertical and horizontal continuity in this region and to (2) data collected with an earlier generation lidar system for which Canada-wide aerial coverage is available. Goodness-of-fit metrics show that AGB can be modeled with moderate (R2 = 48%–58% Taiga Shield, peatlands) to high accuracies (R2 = 83%–89% Taiga Plains, upland/permafrost plateau forests including ecotones) by using the point clouds average height and 90th height percentile within a weighted approach as function of modeled AGB and calibrating the earlier lidar data. These results are important for quantifying climate change effects on forest to peatland ecotones.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».