Enhanced Grassland Biomass Estimation Using Vegetation Indices and Biomass Proxy: A Comparative Study of Parametric and Non-parametric Models in Manitoba’s Prairie Ecozone
Notice bibliographique
Résumé
Grasslands, covering approximately 40% of Earth's terrestrial surface, play a pivotal role in the economy and climate change. Grasslands are among the most vital ecosystems concerning carbon sinks and species-at-risk. Above-ground biomass (AGB) is an important indicator of grasslands’ state and productivity. Monitoring grassland AGB using remote sensing data provides extensive, continuous and reliable information for decision-makers. This study aimed to enhance grassland biomass predictions using vegetation indices (VIs) and Biomass Proxy (BP) in the Prairie Ecozone of Manitoba. A total of 96 field biomass samples, collected between 2021 and 2023, were used. Both parametric and non-parametric machine learning models were evaluated to determine the most effective method for AGB estimation. The results showed that among the parametric models, the BP-based exponential model achieved the highest accuracy with R2= 0.61 and RMSE = 31.34 g/m2. The Random Forest (RF) model outperformed all others with R2= 0.75 and RMSE = 30.16 g/m2, while the Support Vector Regression (SVR) model with a polynomial kernel achieved R2= 0.58. These results suggest that non-parametric models, particularly RF, are more effective in capturing the complex relationships between remote sensing features and grassland biomass
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».