A review on aboveground biomass estimation methods utilizing forest structural characteristics
Notice bibliographique
Résumé
Forest structure and its composition (species) are influenced by three major components: ecology, disturbance type and climatic conditions. These play a crucial role in the photosynthesis of vegetation, driving the dynamic growth and accumulation of aboveground biomass (AGB). Moreover, forest structural characteristics, such as tree density, vertical stratification and species composition, influence AGB concentration. In addition, it remains unclear about the relationship between forest structure and remote sensing metrics in different environments on AGB model accuracy. This review explores 2D and 3D remote sensing methods, emphasizing diverse forest types and structures for AGB estimation. We covered studies from various geographical locations and forest structures, including boreal forests, tropical forests, temperate forests, etc. Satellite images collect canopy reflectance and backscatter information from forests, and surface metrics like vegetation indices and texture measures are derived to model age-wise and stand-wise aboveground biomass distribution. Among image-based methods, shadow fraction method is effective for forests with stand-alone trees, while stand-based methods offer better results in temperate and tropical forests. Textural-based methods allow better biomass modelling for degraded forests. Microwave backscatter data facilitate biomass modelling of varied forest structures to some extent branches. From point cloud data, detailed geometric information (horizontal and vertical) about forest structure through derived LiDAR metrics to model AGB at stand and tree level. Moreover, in fusion-based methods, decision-level fusion is more popular than fusion-based methods at the stand level and vice versa at the tree level. As later demands high computation and the removal of redundant information. Combining both methods can help estimating biomass in forests of complex structures. Biomass model accuracy is dependent on the spatial and spectral resolution of remote-sensing data used, area and type of forest, forest condition, area and number of field plots and regression techniques.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».