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 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 | 0,001 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».