Cartographie de la biomasse forestière à l'aide des données d'inventaire forestier et des images TM de Landsat
Notice bibliographique
Résumé
L’estimation de la biomasse forestière est importante pour la gestion durable des forêts, le suivi des changements globaux et les modèles de productivité forestière. Depuis les protocoles de Montréal et de Kyoto, les besoins en des méthodes de cartographie de la biomasse forestière sont de plus en plus pressants. Plusieurs méthodes d’estimation de la biomasse forestière à l’aide de la télédétection ont été développées, mais leurs avantages comparatifs n’ont pas été évalués pour les forêts du Canada. Cette étude fait la comparaison de quatre méthodes de cartographie de la biomasse forestière sur une région pilote située dans l’Ouest de Terre-Neuve. Le capteur utilisé est TM de Landsat-5 et les méthodes sont : (i) le développement de relations directes entre le signal radiométrique et les valeurs de biomasse mesurées sur le terrain, (ii) l’méthode du k-NN utilisée dans l’inventaire forestier national finlandais, (iii) l’application de tables de conversion en biomasse sur l’image TM classifiée selon la couverture forestière, et (iv) une méthode combinant la classification non dirigée de l’image et l’utilisation de tables de conversion en biomasse et de la carte des polygones forestiers. Une dernière méthode est aussi utilisée comme base de comparaison et est générée à partir des cartes numériques de l’inventaire forestier. Les résultats de chacune des méthodes ont été comparés et la quatrième a donné les meilleurs résultats, suivie par la méthode k-NN. Celles qui ont donné les résultats les moins intéressants sont la méthode 3 par table de conversion et la carte de référence. De plus, les inconvénients majeurs associés à l’utilisation de la méthode 1 ont fait en sorte que cette dernière comporte des contraintes importantes pour une mise en application généralisée sur de grands territoires.||Biomass estimation is important for sustainable forest management, monitoring of global change and forest productivity models, and the need to map forest biomass is increasing rapidly since the Montréal and Kyoto protocols. Several methods for estimating biomass by remote sensing have been developed, but their comparative advantages have not been evaluated for areas in Canada. This study compares four methods of mapping forest biomass on a pilot region located in Western Newfoundland using Landsat-5 image: (i) the development of direct radiometric relationships between Landsat TM reflectance or spectral indices and biomass values measured on forest inventory plots, (ii) the k-NN method used in the Finnish National Forest Inventory , (iii) the application of biomass tables on an unsupervised classification of the TM image by land cover, and (iv) a method that combines the use of image classification, biomass tables and the forest stand maps. A last method was used as a reference map for the validation and was produced by the application of biomass table to the forest stand maps. The results of each method were evaluated using independent validation plots and a comparison with a baseline biomass map. The methods combining the classification process, biomass tables and forest stand maps gave the best overall estimations, followed by the k-NN method. The method that applied biomass tables on the classified TM image was the one that showed the least interesting results, as well as the baseline map. The direct relationships method was also discarded for implementation purposes because it presented important disadvantages.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».