論文の概要: High-resolution landscape-scale biomass mapping using a spatiotemporal
patchwork of LiDAR coverages
- arxiv url: http://arxiv.org/abs/2205.08530v1
- Date: Tue, 17 May 2022 17:53:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 14:57:27.018977
- Title: High-resolution landscape-scale biomass mapping using a spatiotemporal
patchwork of LiDAR coverages
- Title（参考訳）: LiDAR被覆の時空間パッチワークを用いた高分解能景観スケールバイオマスマッピング
- Authors: Lucas K. Johnson (1), Michael J. Mahoney (1), Eddie Bevilacqua (1),
Stephen V. Stehman (1), Grant Domke (2), Colin M. Beier (1) ((1) State
University of New York College of Environmental Science and Forestry, (2)
USDA Forest Service)
- Abstract要約: 温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。
ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。
我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating forest aboveground biomass at fine spatial scales has become
increasingly important for greenhouse gas estimation, monitoring, and
verification efforts to mitigate climate change. Airborne LiDAR continues to be
a valuable source of remote sensing data for estimating aboveground biomass.
However airborne LiDAR collections may take place at local or regional scales
covering irregular, non-contiguous footprints, resulting in a 'patchwork' of
different landscape segments at different points in time. Here we addressed
common obstacles including selection of training data, the investigation of
regional or coverage specific patterns in bias and error, and map agreement,
and model-based precision assessments at multiple scales.
Three machine learning algorithms and an ensemble model were trained using
field inventory data (FIA), airborne LiDAR, and topographic, climatic and
cadastral geodata. Using strict selection criteria, 801 FIA plots were selected
with co-located point clouds drawn from a patchwork of 17 leaf-off LiDAR
coverages 2014-2019). Our ensemble model created 30m AGB prediction surfaces
within a predictor-defined area of applicability (98% of LiDAR coverage) and
resulting AGB predictions were compared with FIA plot-level and areal estimates
at multiple scales of aggregation. Our model was overall accurate (% RMSE
13-33%), had very low bias (MBE $\leq$ $\pm$5 Mg ha$^{-1}$), explained most
field-observed variation (R$^2$ 0.74-0.93), produced estimates that were both
largely consistent with FIA's aggregate summaries (86% of estimates within 95%
CI), as well as precise when aggregated to arbitrary small-areas (mean
bootstrap standard error 0.37 Mg ha$^{-1}$). We share practical solutions to
challenges faced when using spatiotemporal patchworks of LiDAR to meet growing
needs for biomass prediction and mapping, and applications in carbon accounting
and ecosystem stewardship.
- Abstract（参考訳）: 温室効果ガスの推定,モニタリング,温暖化対策の検証などにおいて,微少な空間スケールでの森林土壌バイオマス推定の重要性が高まっている。
空中ライダーは地上のバイオマスを推定するためのリモートセンシングデータの貴重な情報源であり続けている。
しかし、空飛ぶlidarコレクションは、不規則で不連続な足跡をカバーする地域的または地域的なスケールで行われ、異なる時点における異なる景観セグメントの「パッチワーク」となる。
ここでは,トレーニングデータの選定,バイアスと誤差の地域的あるいは範囲的なパターンの検証,地図の一致,モデルに基づく複数のスケールでの精度評価など,一般的な障害に対処した。
3つの機械学習アルゴリズムとアンサンブルモデルを,フィールドインベントリデータ(FIA),空中LiDAR,地形,気候,カダストラルジオデータを用いて訓練した。
厳密な選択基準を用いて、2014-2019年に17本のLiDARカバーのパッチワークから、801個のFIAプロットが抽出された。
我々のアンサンブルモデルでは,予測可能範囲内の30mのagb予測面(lidarカバレッジの98%)を作成し,その結果得られたagb予測をfiaプロットレベルおよびアラル推定と比較した。
我々のモデルは、概ね正確(% rmse 13-33%)であり、非常に低いバイアス(mbe $\pm$5 mg ha$^{-1}$)を有し、ほとんどのフィールド観測された変動(r$^2$ 0.74-0.93)を説明し、fiaの集計総和とほぼ一致した推定値(95% ci 以内の見積もりの86%)と、任意の小領域に集約された場合の精度(ブートストラップ標準誤差 0.37 mg ha$^{-1}$)が得られた(ブートストラップ標準誤差 0.37 mg ha$^{-1}$)。
我々は,バイオマスの予測とマッピングのニーズの増大に対応するために,LiDARの時空間パッチワークを使用する場合の課題に対する実践的な解決策と,炭素会計と生態系のスチュワードシップへの応用を共有している。
関連論文リスト
- Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳（メタデータ） (2024-10-14T17:22:55Z) - Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height and Cover from High-Resolution, Multi-Sensor Satellite Imagery [0.196629787330046]
地表面バイオマス密度 (AGBD) , キャノピー高さ (CH) , キャノピー被覆 (CC) の予測を統一する深層学習モデルと10mのマルチセンサ・マルチスペクトル画像を用いた新しい手法を提案する。
GEDI-L2/L4を世界数百万のサンプルで測定し、2023年と2016年から2023年までの期間に全世界に展開することで、モデルの有効性を検証した。
論文 参考訳（メタデータ） (2024-08-20T23:15:41Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - A Data-Driven Supervised Machine Learning Approach to Estimating Global
Ambient Air Pollution Concentrations With Associated Prediction Intervals [0.0]
我々は、時間的および空間的計測の欠如を示唆するスケーラブルでデータ駆動型の教師あり機械学習フレームワークを開発した。
このモデルは, 時間的および空間的計測の欠如を示唆し, NO$, O$_3$, PM$_10$, PM$_2.5$, SO$などの汚染物質の包括的データセットを生成するように設計されている。
モデルの性能について検討し,今後のモニタリングステーションの戦略的配置に関する洞察と勧告を提供する。
論文 参考訳（メタデータ） (2024-02-15T11:09:22Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - A Hybrid Deep Learning-based Approach for Optimal Genotype by
Environment Selection [8.084449311613517]
我々は,13年間に159か所をカバーし,93,028のトレーニング記録からなるデータセットを用いて10,337回のテスト記録の収量予測を行った(2003-2015)。
このデータセットには、5,838の異なる遺伝子型と214日間の生育シーズンの日々の気象データが含まれており、包括的な分析を可能にしている。
我々は、CNNと完全接続ネットワークを組み合わせたCNN-DNNモデルと、気象変数にLSTM層を追加するCNN-LSTM-DNNモデルという、2つの新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2023-09-22T17:31:47Z) - Mapping historical forest biomass for stock-change assessments at parcel
to landscape scales [0.0]
地図製品は、人為的にも自然的にも、どこで、いつ、そしてどのように森林の炭素在庫が変化しているかを特定するのに役立ちます。
これらの製品は、ストックチェンジアセスメント、レポートの監視、検証フレームワークなど、幅広いアプリケーションへのインプットとして機能する。
論文 参考訳（メタデータ） (2023-04-05T17:55:00Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Predicting Vegetation Stratum Occupancy from Airborne LiDAR Data with
Deep Learning [4.129847064263057]
航空機搭載の3次元LiDAR点雲からの植生の占有度を推定する新しい深層学習手法を提案する。
本モデルでは,下層,中層,高層に対応する3つの植生層に対する占有率分布図を推定した。
論文 参考訳（メタデータ） (2022-01-20T08:30:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。