Forest aboveground biomass estimation using deep learning data fusion of ALS, multispectral, and topographic data
Notice bibliographique
Résumé
Estimating forest aboveground biomass (AGB) and its components (wood, branch, bark, foliage) is critical for forest inventories and provides important information for timber harvesting and carbon accounting. Current approaches for modelling forest AGB at the stand scale often employ airborne laser scanning (ALS) data which provide robust AGB estimates. However, in structurally complex forest ecosystems, ALS-based models may not estimate forest biomass and its components with sufficient accuracy. One method to improve ALS-based model performance is through data fusion. Deep neural networks (DNNs) are effective for data fusion because they can combine different data modalities without the need to modify the original data resolution. This study evaluated the effectiveness of a data fusion DNN that combines ALS, multispectral, and topographic data for forest biomass estimation (total and component). We implemented a DNN architecture consisting of three convolutional neural network (CNN) modules: Octree-CNN for ALS data; 1-D CNN for Landsat-8 multispectral data; and 2-D CNN for topographic data. Variants of the DNN architecture combining different input data modalities were trained and tested using sample plots from New Brunswick, Canada (n = 2,336). The model, including all three data modalities, performed best overall for total AGB estimation (R2 = 0.77; RMSE = 28.38 Mg/ha) and explained an additional 2−5% variation in wood, bark, and foliage biomass compared to the ALS-only model. This study demonstrates the effectiveness of a novel data fusion DNN architecture that extracts information directly from input data modalities for improving forest biomass estimates. However, relatively small performance gains should be weighed against computational resources and domain knowledge required to implement and interpret DNNs.
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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».