Synthesizing Local Capacities, Multi-Source Remote Sensing and Meta-Learning to Optimize Forest Carbon Assessment in Data-Poor Regions
Notice bibliographique
Résumé
As the climate emergency escalates, the role of forests in carbon sequestration is paramount. This paper proposes a framework that integrates local capacities, multi-source remote sensing data, and meta-learning to enhance forest carbon assessment methodologies in data-scarce regions. By integrating multi-source optical and radar remote sensing data alongside community forest inventories, we applied a meta-modelling approach using stacked generalization ensemble to estimate forest above-ground carbon (AGC). We also conducted a Kruskal–Wallis test to determine significant differences in AGC among different tree species. The Kruskal–Wallis test (p = 1.37 × 10−13) and Dunn post-hoc analysis revealed significant differences in carbon stock potential among tree species, with Afzelia quanzensis (x~ = 12 kg/ha, P-holm-adj. = 0.05) and the locally known species M’buta (x~ = 6 kg/ha, P-holm-adj. = 5.45 × 10−9) exhibiting a significantly higher median AGC. Our results further showed that combining optical and radar remote sensing data substantially improved prediction accuracy compared to single-source remote sensing data. To improve forest carbon assessment, we employed stacked generalization, combining multiple machine learning algorithms to leverage their complementary strengths and address individual limitations. This ensemble approach yielded more robust estimates than conventional methods. Notably, a stacking ensemble of support vector machines and random forest achieved the highest accuracy (R2 = 0.84, RMSE = 1.36), followed by an ensemble of all base learners (R2 = 0.83, RMSE = 1.39). Additionally, our results demonstrate that factors such as the diversity of base learners and the sensitivity of meta-leaners to optimization can influence stacking performance.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».