A Dynamic Graph Neural Network Approach for Forest Cover Change Detection and Carbon Sink Assessment Using Remote Sensing Imagery
Notice bibliographique
Résumé
Against the backdrop of accelerating global climate change, accurate assessment of forest cover dynamics and carbon sink capacity is critical to addressing the climate crisis and achieving the "dual carbon" goals.With the growing availability of high-resolution, multitemporal remote sensing data, efficiently processing complex spatial relationships and temporal dynamics has become a central challenge in forest change detection and carbon sink estimation.Traditional pixel-or object-based remote sensing classification methods often overlook spatial correlations and contextual information, leading to limited detection accuracy in regions with complex terrain.Similarly, carbon sink assessment methods based on statistical models or static data fail to capture the dynamic processes of forest change and their spatiotemporal coupling with carbon sequestration, resulting in insufficient accuracy and timeliness.Moreover, the low efficiency of large-scale data processing remains a pressing issue.To address these challenges, this study proposes a dynamic graph neural network-based approach for forest cover change detection and carbon sink assessment.On one hand, a dynamic graph model tailored for forest remote sensing imagery is constructed, leveraging the powerful spatiotemporal representation capabilities of graph neural networks to achieve precise detection of forest cover changes.On the other hand, based on the detection results, a carbon sink estimation model is developed that integrates forest type, growth stage, and climatic conditions to quantify carbon sink capacity and potential.The proposed method enhances both the accuracy and efficiency of forest change detection in complex environments and provides a theoretical and technical foundation for dynamically tracking forest carbon sink evolution, informing forest management policies, and guiding carbon trading strategies.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».