Mapping sub-pixel forest cover in Europe using AVHRR data and national and regional statistics
Bibliographic record
Abstract
AbstractThere are few examples of satellite-derived land cover maps dedicated specifically to the pan-European area, and even less to Europe's forested land. In an effort to remedy this situation and produce a consistent and comparable forest database for the pan-European area, attempts are made to utilize both spatial information derived from satellite data and more traditional statistical data. This paper discusses the results of combining spectral information derived from the National Oceanic and Atmospheric Administration advanced very high resolution radiometer (NOAA AVHRR) and official statistical forest data acquired at national and regional levels. Forest probability estimates derived from an AVHRR mosaic of Europe are conjoined with official statistics in an iterative calibration procedure. The resulting database consists of maps of forest‐non-forest for the European Union (EU) and a more detailed database distinguishing the probable proportion of coniferous forest, broadleaf forest, and mixed woodland within each AVHRR pixel for France and Finland. In the latter case, regional statistics are used in the calibration procedure. An area-weighted root mean square error of 7.3% and 4.3%, respectively, was found when comparing the calibrated estimates with the Coordination of Information on the Environment (CORINE) Land Cover and the CORINE with the original AVHRR mosaic (before calibration) for 14 countries of the EU. It was found that for France, the AVHRR-derived forest database tended to underestimate the total forest area for the temperate zones, whereas Mediterranean regions (dominated by so-called other wooded land) tend to be overestimated. It appeared that overestimates of the total forest area in Finland were likely to arise from overestimates in the area of broadleaf woodland. The technique provides an innovative approach to combining statistical data with spatial information in a way so as to add value to both satellite-derived and "ground-based" statistical information.Il y a peu d'exemples de cartes de couverture du sol dérivées d'images satellitales dédiées spécifiquement à l'espace paneuropéen, et encore moins, aux zones forestières d'Europe. Dans le but de pallier cette lacune et d'élaborer une base de données forestières cohérente et comparable pour l'espace paneuropéen, des essais sont en cours utilisant à la fois l'information spatiale dérivée des données satellitales et les données statistiques plus conventionnelles. Cet article discute des résultats de la combinaison de l'information spectrale dérivée des données AVHRR de NOAA (advanced very high resolution radiometer ‐ National Oceanic and Atmospheric Administration) et des données statistiques officielles sur la forêt acquises à l'échelle nationale et régionale. Des estimations de probabilité forestière dérivées d'une mosaïque AVHRR d'Europe sont superposées à des données statistiques officielles dans une procédure itérative d'étalonnage. La base de données résultante fournit des cartes zone forestière ‐ zone non forestière pour l'UE (Union Européenne) et une base de données plus détaillée permettant de distinguer la proportion probable de conifères, de feuillus et de forêt mixte à l'intérieur de chaque pixel AVHRR pour la France et la Finlande. Dans ce dernier cas, les statistiques régionales sont utilisées dans la procédure d'étalonnage. On a pu observer une erreur quadratique moyenne pondérée pour la surface de 7,3% et de 4,3% respectivement en comparant, d'une part, les estimations étalonnées avec les données CORINE Land Cover et, d'autre part, les données CORINE avec la mosaïque AVHRR originale (avant étalonnage), pour quatorze pays de l'UE. On a déterminé que, pour la France, la base de données forestières dérivée des données AVHRR tendait à sous-estimer la surface forestière totale dans le cas des zones tempérées, alors que les régions méditerranéennes (dominées par des secteurs étiquetés comme autres zones forestières) sont plutôt surestimées. Il semble que les surestimations de la surface forestière totale en Finlande seraient dues vraisemblablement à la surestimation des surfaces de forêt de feuillus. La technique propose une approche innovatrice à la combinaison des données statistiques et de l'information spatiale apportant ainsi une valeur ajoutée à l'information statistique dérivée des satellites et à l'information acquise au sol.[Traduit par la Rédaction]
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".