Comparing PolSAR, SAR and Optical Imagery Integration for Forest Canopy Height Estimation in Interior British Columbia, Canada
Notice bibliographique
Résumé
Forest canopy height is an important indicator for estimating forest carbon stock and biomass, which have implications for multiple environmental issues. In remote sensing, canopy height is most commonly measured using light detection and ranging (LiDAR), which comes with satisfactory accuracy but also high costs. This study looked at the potential of using synthetic aperture radar (SAR) and polarimetric synthetic aperture radar (PolSAR), together with optical imagery, to estimate canopy height in an interior coniferous forest in British Columbia, Canada. A machine learning approach was used to derive the canopy height values. SAR backscatter coefficients from Sentinel-1 and ALOS-2, as well as PolSAR parameters from Sentinel-1, were used as independent variables. Sentinel-2 optical indices and bands were fused as independent variables in some trials in an attempt to further enhance model performance. LiDAR-extracted canopy height values served as ground truth for both model training and validation. We compared between using SAR backscatter and PolSAR parameters, as well as between using SAR backscatter from Sentinel-1 and ALOS-2. Results show that PolSAR parameters outperforms SAR backscatter in predicting canopy height, while ALOS-2 achieved better accuracy in canopy height estimation than Sentinel-1. Optical indices and bands were capable of enhancing model accuracy in all scenarios. To conclude, Sentinel-1 PolSAR parameters were the best predictor variables due to PolSAR’s ability to capture different scattering mechanisms under different canopy heights. Future studies should examine the potential of polarimetric synthetic aperture radar interferometry (PolInSAR) and ALOS-2 PolSAR to yield more accurate canopy height estimation over interior coniferous forests.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».