Upscaling UAV and Lidar-derived forest gap area and edge length extractions using radar and optical sentinel images
Notice bibliographique
Résumé
UAV and LiDAR data are valuable for mapping forest gaps in small areas but face cost and accessibility challenges for larger regions. This study explored using UAV and LiDAR data to create reference information on forest gaps and edge lengths for upscaling (that is providing information on forest across wider spatial extents) with satellite data. We examined forest gap mapping across four global sites: Daland Forest Park (Iran), Hardtwald Forest (Germany), Petawawa Research Forest (Canada), and Luxembourg Forest (Luxembourg). High-quality UAV and ALS LiDAR data were used to extract and map forest gaps by creating Canopy Height Models (CHM) and applying height thresholds. SAR Sentinel-1 and optical Sentinel-2 images were then employed to upscale the results using the Random Forest (RF) regression model. Gap area and edge length were calculated within grid cells using varied grid sizes to determine the optimal spatial grain for upscaling. The study also evaluated the impact of sampling strategies and feature selection on model performance. Results showed that grids with dimensions of 20 × 20 meters showed the best results for estimating gap areas. The UAV- and LiDAR-derived gap area could be upscaled with satellite data with R2 values of 0.587, 0.711, 0.843, and 0.835 for the DFP, HF, PRF, and LF regions, respectively (all RMSE (scaled between 0 and 1) were smaller than 0.108). For edge length we obtained good model performances as well with R2 of 0.840, 0.690, 0.712, and 0.612, respectively for DFP, HF, PRF, and LF regions (all RMSE were smaller than 0.137). Feature selection and balancing dependent samples improved the upscaling results. The study demonstrates the potential of using Sentinel data to upscale canopy gap information from UAV and LiDAR data in areas with limited high-quality data, providing valuable insights for forest managers and ecologists in temperate forests.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».