Enhancing tree species composition mapping using Sentinel-2 and multi-seasonal deep learning fusion
Notice bibliographique
Résumé
Accurate wall-to-wall mapping of tree species composition (TSC) is essential for effective forest management. However, distinguishing species-level information from satellite imagery remains a challenge due to the coarse spatial resolution of open-access satellite imagery. In this study, we present the first systematic evaluation of spatial resolution enhancement and multi-seasonal data fusion for deep learning (DL)-based TSC mapping using Sentinel-2 imagery. Specifically, we assessed: (1) the impact of different spatial resolutions and enhancement methods, comparing native 20 m Sentinel-2 imagery against bilinear resampled imagery at 10 m and 5 m, super-resolution (SR)-enhanced imagery at 10 m and their combined use; (2) the contributions of multi-seasonal imagery and auxiliary environmental data (climate, topography); and (3) the effectiveness of a novel multi-source multi-seasonal fusion (MSMSF) method for integrating seasonal and environmental datasets. Our results demonstrated substantial improvements (7% higher Radj2) when increasing spatial resolution from 20 m to 10 m and achieved the best result (RMSE = 0.120, Radj2 = 0.731) by combining bilinear resampled 5 m and SR-enhanced 10 m datasets. Additionally, our proposed MSMSF module and multi-seasonal data outperformed the best single-season model by >5% in terms of Radj2. These findings establish a new benchmark for DL-based TSC mapping and highlight the novelty of combining resolution enhancement with a detail-preserving fusion strategy to enable scalable, high-precision forest inventories using freely available satellite data.
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 | 0,001 |
| 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 ».