Application of Machine Learning for Aboveground Biomass Modeling in Tropical and Temperate Forests from Airborne Hyperspectral Imagery
Notice bibliographique
Résumé
Accurate operational methods used to measure, verify, and report changes in biomass at large spatial scales are required to support conservation initiatives. In this study, we demonstrate that machine learning can be used to model aboveground biomass (AGB) in both tropical and temperate forest ecosystems when provided with a sufficiently large training dataset. Using wavelet-transformed airborne hyperspectral imagery, we trained a shallow neural network (SNN) to model AGB. An existing global AGB map developed as part of the European Space Agency’s DUE GlobBiomass project served as the training data for all study sites. At the temperate site, we also trained the model on airborne-LiDAR-derived AGB. In comparison, for all study sites, we also trained a separate deep convolutional neural network (3D-CNN) with the hyperspectral imagery. Our results show that extracting both spatial and spectral features with the 3D-CNN produced the lowest RMSE across all study sites. For example, at the tropical forest site the Tortuguero conservation area, with the 3D-CNN, an RMSE of 21.12 Mg/ha (R2 of 0.94) was reached in comparison to the SNN model, which had an RMSE of 43.47 Mg/ha (R2 0.72), accounting for a ~50% reduction in prediction uncertainty. The 3D-CNN models developed for the other tropical and temperate sites produced similar results, with a range in RMSE of 13.5 Mg/ha–31.18 Mg/ha. In the future, as sufficiently large field-based datasets become available (e.g., the national forest inventory), a 3D-CNN approach could help to reduce the uncertainty between hyperspectral reflectance and forest biomass estimates across tropical and temperate bioclimatic domains.
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 | 0,000 | 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 ».