- ข้อความ
- ประวัติศาสตร์
Our results show that published bio
Our results show that published biomass allometric equations
from regional and national sources can give substantial variation in
plot-level biomass estimates, especially in denser plots. The variation
may suggest that large biomass plots are not well represented
in the national scale allometric equations derivation due to the
fact that it is more time consuming and labor intensive to harvest
large biomass plots. In spite of the fact that the biomass density for
two sets of allometric equations hold similar patterns statistically,
the differences in the biomass density are obvious, indicating the
importance of assessing the influence of varied allometric equations
in predicting biomass with small footprint lidar systems.
Since both sets of allometric equations employ DBH as input,
and the regional allometric equations use one more additional variable
(i.e., height), the difference between biomass density at the
plot level mainly reflects the aggregated variation of height for all
individual trees in a plot. As a result, the comparison of AGB using
those two sets of allometric equations shows that tree heights in
our study area may generally be higher than the average heights of
the same species group across the country.
In models with reference above ground biomass calculated from
regional biomass equations, the integration of a simplified, empirical
relationship between DBH and height generally improved the
performance of the regression models. Its utility can be explained
by the fact lidar-derived variables are directly related to height,
while reference AGBs calculated from either Jenkins allometric
equations or regional allometric equations share a common input,
DBH. The simplified transformation from height metrics to volumetric
metrics made the association between reference AGBs and
lidar-derived metrics more direct and close. However, the addition
of this empirical relationship did not help in models with AGB
calculated from Jenkins equations.
The models using reference AGB calculated from regional
biomass equations performed better than those using Jenkins equations.
Models with higher adjusted R2 and low RMSE are indicative
of better predictive ability of biomass with lidar-derived variables.
For example, in the case where we included volumetric metrics,
the explained variance improved from 0.68 to 0.79 for multiple
linear models. The superior performance of models using regional
biomass allometric equations suggests that reference AGBs using
regional biomass equations are not only more accurate to record the
biomass estimates, and also are more closely related to the lidarderived
metrics. As a result, one should be cautious when using
national scale allometric equations in regional biomass studies.
Additionally, the lidar metrics selected varied significantly across
the multiple linear models. This was expected given the large difference
in the reference AGB in large biomass plots. However, in
case of a study area with only lower biomass plots, our findings
may not necessarily hold true.
In the multiple linear models, height-related metrics explained
more variation than canopy transmittance and foliage profile
related metrics. This implies that reference above ground biomass
is primarily related to height and/or DBH directly, and canopy
transmittance and profile based metrics contain very limited information
to the biomass estimates.
As suggested by Hudak et al. (2006), intensity value, particularly
mean intensity values, also prove surprisingly useful in predicting
forest basal area and tree density. This suggests that intensity values
could potentially improve the predictive power of regression
modeling of biomass. Further research is needed to determine how
the addition of lidar intensity will improve the regression modeling
performance in both reference AGB calculated from regional
allometric equations and reference AGB calculated from Jenkins
allometric equations. Similarly, integrating optical and Radar data
into lidar variable also proved to be useful for biomass prediction
(Hyde et al., 2006; Nelson et al., 2007). Thus, assessing influence of
varied allometric equations when high spatial resolution imagery
is integrated is also worth to be studied.
Although non-parametric approaches are increasingly used to
model forest parameters with airborne discrete return lidar data
(e.g., Hudak et al., 2006; Yu et al., 2011), further exploration is
required for more refined use of non-parametric approaches in
biomass estimates using lidar data.
from regional and national sources can give substantial variation in
plot-level biomass estimates, especially in denser plots. The variation
may suggest that large biomass plots are not well represented
in the national scale allometric equations derivation due to the
fact that it is more time consuming and labor intensive to harvest
large biomass plots. In spite of the fact that the biomass density for
two sets of allometric equations hold similar patterns statistically,
the differences in the biomass density are obvious, indicating the
importance of assessing the influence of varied allometric equations
in predicting biomass with small footprint lidar systems.
Since both sets of allometric equations employ DBH as input,
and the regional allometric equations use one more additional variable
(i.e., height), the difference between biomass density at the
plot level mainly reflects the aggregated variation of height for all
individual trees in a plot. As a result, the comparison of AGB using
those two sets of allometric equations shows that tree heights in
our study area may generally be higher than the average heights of
the same species group across the country.
In models with reference above ground biomass calculated from
regional biomass equations, the integration of a simplified, empirical
relationship between DBH and height generally improved the
performance of the regression models. Its utility can be explained
by the fact lidar-derived variables are directly related to height,
while reference AGBs calculated from either Jenkins allometric
equations or regional allometric equations share a common input,
DBH. The simplified transformation from height metrics to volumetric
metrics made the association between reference AGBs and
lidar-derived metrics more direct and close. However, the addition
of this empirical relationship did not help in models with AGB
calculated from Jenkins equations.
The models using reference AGB calculated from regional
biomass equations performed better than those using Jenkins equations.
Models with higher adjusted R2 and low RMSE are indicative
of better predictive ability of biomass with lidar-derived variables.
For example, in the case where we included volumetric metrics,
the explained variance improved from 0.68 to 0.79 for multiple
linear models. The superior performance of models using regional
biomass allometric equations suggests that reference AGBs using
regional biomass equations are not only more accurate to record the
biomass estimates, and also are more closely related to the lidarderived
metrics. As a result, one should be cautious when using
national scale allometric equations in regional biomass studies.
Additionally, the lidar metrics selected varied significantly across
the multiple linear models. This was expected given the large difference
in the reference AGB in large biomass plots. However, in
case of a study area with only lower biomass plots, our findings
may not necessarily hold true.
In the multiple linear models, height-related metrics explained
more variation than canopy transmittance and foliage profile
related metrics. This implies that reference above ground biomass
is primarily related to height and/or DBH directly, and canopy
transmittance and profile based metrics contain very limited information
to the biomass estimates.
As suggested by Hudak et al. (2006), intensity value, particularly
mean intensity values, also prove surprisingly useful in predicting
forest basal area and tree density. This suggests that intensity values
could potentially improve the predictive power of regression
modeling of biomass. Further research is needed to determine how
the addition of lidar intensity will improve the regression modeling
performance in both reference AGB calculated from regional
allometric equations and reference AGB calculated from Jenkins
allometric equations. Similarly, integrating optical and Radar data
into lidar variable also proved to be useful for biomass prediction
(Hyde et al., 2006; Nelson et al., 2007). Thus, assessing influence of
varied allometric equations when high spatial resolution imagery
is integrated is also worth to be studied.
Although non-parametric approaches are increasingly used to
model forest parameters with airborne discrete return lidar data
(e.g., Hudak et al., 2006; Yu et al., 2011), further exploration is
required for more refined use of non-parametric approaches in
biomass estimates using lidar data.
0/5000
Our results show that published biomass allometric equationsfrom regional and national sources can give substantial variation inplot-level biomass estimates, especially in denser plots. The variationmay suggest that large biomass plots are not well representedin the national scale allometric equations derivation due to thefact that it is more time consuming and labor intensive to harvestlarge biomass plots. In spite of the fact that the biomass density fortwo sets of allometric equations hold similar patterns statistically,the differences in the biomass density are obvious, indicating theimportance of assessing the influence of varied allometric equationsin predicting biomass with small footprint lidar systems.Since both sets of allometric equations employ DBH as input,and the regional allometric equations use one more additional variable(i.e., height), the difference between biomass density at theplot level mainly reflects the aggregated variation of height for allindividual trees in a plot. As a result, the comparison of AGB usingthose two sets of allometric equations shows that tree heights inour study area may generally be higher than the average heights ofthe same species group across the country.In models with reference above ground biomass calculated fromregional biomass equations, the integration of a simplified, empiricalrelationship between DBH and height generally improved theperformance of the regression models. Its utility can be explainedby the fact lidar-derived variables are directly related to height,while reference AGBs calculated from either Jenkins allometricequations or regional allometric equations share a common input,DBH. The simplified transformation from height metrics to volumetricmetrics made the association between reference AGBs andlidar-derived metrics more direct and close. However, the additionof this empirical relationship did not help in models with AGBcalculated from Jenkins equations.The models using reference AGB calculated from regionalbiomass equations performed better than those using Jenkins equations.Models with higher adjusted R2 and low RMSE are indicativeof better predictive ability of biomass with lidar-derived variables.For example, in the case where we included volumetric metrics,the explained variance improved from 0.68 to 0.79 for multiplelinear models. The superior performance of models using regionalbiomass allometric equations suggests that reference AGBs usingregional biomass equations are not only more accurate to record thebiomass estimates, and also are more closely related to the lidarderivedmetrics. As a result, one should be cautious when usingnational scale allometric equations in regional biomass studies.Additionally, the lidar metrics selected varied significantly acrossthe multiple linear models. This was expected given the large differencein the reference AGB in large biomass plots. However, incase of a study area with only lower biomass plots, our findingsmay not necessarily hold true.In the multiple linear models, height-related metrics explainedmore variation than canopy transmittance and foliage profilerelated metrics. This implies that reference above ground biomassis primarily related to height and/or DBH directly, and canopytransmittance and profile based metrics contain very limited informationto the biomass estimates.As suggested by Hudak et al. (2006), intensity value, particularlymean intensity values, also prove surprisingly useful in predictingforest basal area and tree density. This suggests that intensity valuescould potentially improve the predictive power of regressionmodeling of biomass. Further research is needed to determine howthe addition of lidar intensity will improve the regression modelingperformance in both reference AGB calculated from regionalallometric equations and reference AGB calculated from Jenkinsallometric equations. Similarly, integrating optical and Radar datainto lidar variable also proved to be useful for biomass prediction(Hyde et al., 2006; Nelson et al., 2007). Thus, assessing influence ofvaried allometric equations when high spatial resolution imageryis integrated is also worth to be studied.Although non-parametric approaches are increasingly used tomodel forest parameters with airborne discrete return lidar data(e.g., Hudak et al., 2006; Yu et al., 2011), further exploration isrequired for more refined use of non-parametric approaches inbiomass estimates using lidar data.
การแปล กรุณารอสักครู่..
Our results show that published biomass allometric equations
from regional and national sources can give substantial variation in
plot-level biomass estimates, especially in denser plots. The variation
may suggest that large biomass plots are not well represented
in the national scale allometric equations derivation due to the
fact that it is more time consuming and labor intensive to harvest
large biomass plots. In spite of the fact that the biomass density for
two sets of allometric equations hold similar patterns statistically,
the differences in the biomass density are obvious, indicating the
importance of assessing the influence of varied allometric equations
in predicting biomass with small footprint lidar systems.
Since both sets of allometric equations employ DBH as input,
and the regional allometric equations use one more additional variable
(i.e., height), the difference between biomass density at the
plot level mainly reflects the aggregated variation of height for all
individual trees in a plot. As a result, the comparison of AGB using
those two sets of allometric equations shows that tree heights in
our study area may generally be higher than the average heights of
the same species group across the country.
In models with reference above ground biomass calculated from
regional biomass equations, the integration of a simplified, empirical
relationship between DBH and height generally improved the
performance of the regression models. Its utility can be explained
by the fact lidar-derived variables are directly related to height,
while reference AGBs calculated from either Jenkins allometric
equations or regional allometric equations share a common input,
DBH. The simplified transformation from height metrics to volumetric
metrics made the association between reference AGBs and
lidar-derived metrics more direct and close. However, the addition
of this empirical relationship did not help in models with AGB
calculated from Jenkins equations.
The models using reference AGB calculated from regional
biomass equations performed better than those using Jenkins equations.
Models with higher adjusted R2 and low RMSE are indicative
of better predictive ability of biomass with lidar-derived variables.
For example, in the case where we included volumetric metrics,
the explained variance improved from 0.68 to 0.79 for multiple
linear models. The superior performance of models using regional
biomass allometric equations suggests that reference AGBs using
regional biomass equations are not only more accurate to record the
biomass estimates, and also are more closely related to the lidarderived
metrics. As a result, one should be cautious when using
national scale allometric equations in regional biomass studies.
Additionally, the lidar metrics selected varied significantly across
the multiple linear models. This was expected given the large difference
in the reference AGB in large biomass plots. However, in
case of a study area with only lower biomass plots, our findings
may not necessarily hold true.
In the multiple linear models, height-related metrics explained
more variation than canopy transmittance and foliage profile
related metrics. This implies that reference above ground biomass
is primarily related to height and/or DBH directly, and canopy
transmittance and profile based metrics contain very limited information
to the biomass estimates.
As suggested by Hudak et al. (2006), intensity value, particularly
mean intensity values, also prove surprisingly useful in predicting
forest basal area and tree density. This suggests that intensity values
could potentially improve the predictive power of regression
modeling of biomass. Further research is needed to determine how
the addition of lidar intensity will improve the regression modeling
performance in both reference AGB calculated from regional
allometric equations and reference AGB calculated from Jenkins
allometric equations. Similarly, integrating optical and Radar data
into lidar variable also proved to be useful for biomass prediction
(Hyde et al., 2006; Nelson et al., 2007). Thus, assessing influence of
varied allometric equations when high spatial resolution imagery
is integrated is also worth to be studied.
Although non-parametric approaches are increasingly used to
model forest parameters with airborne discrete return lidar data
(e.g., Hudak et al., 2006; Yu et al., 2011), further exploration is
required for more refined use of non-parametric approaches in
biomass estimates using lidar data.
from regional and national sources can give substantial variation in
plot-level biomass estimates, especially in denser plots. The variation
may suggest that large biomass plots are not well represented
in the national scale allometric equations derivation due to the
fact that it is more time consuming and labor intensive to harvest
large biomass plots. In spite of the fact that the biomass density for
two sets of allometric equations hold similar patterns statistically,
the differences in the biomass density are obvious, indicating the
importance of assessing the influence of varied allometric equations
in predicting biomass with small footprint lidar systems.
Since both sets of allometric equations employ DBH as input,
and the regional allometric equations use one more additional variable
(i.e., height), the difference between biomass density at the
plot level mainly reflects the aggregated variation of height for all
individual trees in a plot. As a result, the comparison of AGB using
those two sets of allometric equations shows that tree heights in
our study area may generally be higher than the average heights of
the same species group across the country.
In models with reference above ground biomass calculated from
regional biomass equations, the integration of a simplified, empirical
relationship between DBH and height generally improved the
performance of the regression models. Its utility can be explained
by the fact lidar-derived variables are directly related to height,
while reference AGBs calculated from either Jenkins allometric
equations or regional allometric equations share a common input,
DBH. The simplified transformation from height metrics to volumetric
metrics made the association between reference AGBs and
lidar-derived metrics more direct and close. However, the addition
of this empirical relationship did not help in models with AGB
calculated from Jenkins equations.
The models using reference AGB calculated from regional
biomass equations performed better than those using Jenkins equations.
Models with higher adjusted R2 and low RMSE are indicative
of better predictive ability of biomass with lidar-derived variables.
For example, in the case where we included volumetric metrics,
the explained variance improved from 0.68 to 0.79 for multiple
linear models. The superior performance of models using regional
biomass allometric equations suggests that reference AGBs using
regional biomass equations are not only more accurate to record the
biomass estimates, and also are more closely related to the lidarderived
metrics. As a result, one should be cautious when using
national scale allometric equations in regional biomass studies.
Additionally, the lidar metrics selected varied significantly across
the multiple linear models. This was expected given the large difference
in the reference AGB in large biomass plots. However, in
case of a study area with only lower biomass plots, our findings
may not necessarily hold true.
In the multiple linear models, height-related metrics explained
more variation than canopy transmittance and foliage profile
related metrics. This implies that reference above ground biomass
is primarily related to height and/or DBH directly, and canopy
transmittance and profile based metrics contain very limited information
to the biomass estimates.
As suggested by Hudak et al. (2006), intensity value, particularly
mean intensity values, also prove surprisingly useful in predicting
forest basal area and tree density. This suggests that intensity values
could potentially improve the predictive power of regression
modeling of biomass. Further research is needed to determine how
the addition of lidar intensity will improve the regression modeling
performance in both reference AGB calculated from regional
allometric equations and reference AGB calculated from Jenkins
allometric equations. Similarly, integrating optical and Radar data
into lidar variable also proved to be useful for biomass prediction
(Hyde et al., 2006; Nelson et al., 2007). Thus, assessing influence of
varied allometric equations when high spatial resolution imagery
is integrated is also worth to be studied.
Although non-parametric approaches are increasingly used to
model forest parameters with airborne discrete return lidar data
(e.g., Hudak et al., 2006; Yu et al., 2011), further exploration is
required for more refined use of non-parametric approaches in
biomass estimates using lidar data.
การแปล กรุณารอสักครู่..
ผลของเราแสดงให้เห็นว่าหัวข้อประมาณสมการมวลชีวภาพ
จากแหล่งทั้งในระดับภูมิภาคและระดับชาติให้มากการเปลี่ยนแปลงในระดับ
พล็อตชีวมวลประมาณการ โดยเฉพาะอย่างยิ่งในหนาแน่นแปลง การเปลี่ยนแปลง
อาจแนะนำให้แปลงชีวมวลขนาดใหญ่จะไม่ดีแสดงในระดับชาติ
ประมาณสมการรากศัพท์เนื่องจากข้อเท็จจริงที่ว่ามันเป็นมากกว่าเสียเวลาและแรงงานเก็บเกี่ยว
แปลงชีวมวลขนาดใหญ่ แม้ว่าข้อเท็จจริงที่ว่า มวล ความหนาแน่น
สองชุดของสมการประมาณถือรูปแบบคล้ายกันสถิติ
ความแตกต่างในความหนาแน่นมวล ชัดเจน แสดงถึงความสำคัญของการประเมินอิทธิพลของ
ในสมการทำนายแตกต่างกันประมาณชีวมวลด้วยระบบ LIDAR รอยเท้าเล็ก ๆ .
เพราะทั้งชุดสมการประมาณเพียงเข้าจ้าง
,และภูมิภาคประมาณสมการใช้เพิ่มเติมมากกว่าตัวแปร
( เช่น ความสูง ) , ความแตกต่างระหว่างความหนาแน่นของชีวมวลที่
ระดับพล็อตส่วนใหญ่สะท้อนให้เห็นถึงการเปลี่ยนแปลงของความสูงรวมเปลือก
ในพล็อต ผลเปรียบเทียบของ AGB ใช้
ทั้งสองชุดของสมการที่แสดงให้เห็นว่าต้นไม้ใน
ความสูงประมาณเขตการศึกษาของเราอาจจะโดยทั่วไปจะสูงกว่าความสูงเฉลี่ยของชนิดเดียวกัน
กลุ่มทั่วประเทศ ในรุ่นที่มีการอ้างอิงที่คำนวณจากสมการมวลชีวภาพเหนือพื้นดิน
ชีวมวลในระดับภูมิภาค , การบูรณาการแบบเชิงประจักษ์
ความสัมพันธ์ระหว่างขนาดเส้นผ่าศูนย์กลางและความสูงเพิ่มขึ้นโดยทั่วไป
ประสิทธิภาพถดถอยแบบ ยูทิลิตี้นี้สามารถอธิบาย
โดยข้อเท็จจริง LIDAR ได้ตัวแปรที่เกี่ยวข้องโดยตรงกับความสูง
ในขณะที่การอ้างอิง agbs คำนวณจากทั้งเจนกินส์ประมาณ
สมการหรือภูมิภาคประมาณสมการแบ่งปันร่วมกันใส่
ไม้ . ง่ายแปลงจากความสูงวัดถึงปริมาตร
วัดทำให้ความสัมพันธ์ระหว่างการอ้างอิง agbs
lidar และได้มาวัดมากขึ้นโดยตรงและปิด อย่างไรก็ตาม นอกจาก
ความสัมพันธ์เชิงประจักษ์นี้ไม่ได้ช่วยให้ในรุ่นที่มีคำนวณจาก AGB
รุ่นเจนกินส์สมการ ใช้อ้างอิงได้จาก AGB ภูมิภาค
ชีวมวลสมการแสดงได้ดีกว่าการใช้รูปแบบสมการ
รุ่นสูงและต่ำ จะแสดงให้เห็นถึงวิธีการปรับ R2
ดีกว่าคาดการณ์ความสามารถของชีวมวลกับ LIDAR ซึ่งตัวแปร .
ตัวอย่างเช่นในกรณีที่เรารวมปริมาตรวัด
อธิบายความแปรปรวนเพิ่มขึ้นจาก 0.68 0.79 สำหรับแบบจำลองเชิงเส้นหลาย
สมรรถนะเหนือกว่ารุ่นที่ใช้ชีวมวลประมาณสมการแสดงให้เห็นว่าภูมิภาค
agbs อ้างอิงโดยใช้สมการมวลชีวภาพในภูมิภาคไม่เพียง แต่ยิ่งบันทึก
ชีวมวล ประเมิน และยัง เพิ่มเติมที่เกี่ยวข้องอย่างใกล้ชิดกับ lidarderived
มาตรวัดผลคือ หนึ่งควรจะระมัดระวังเมื่อใช้ขนาดประมาณสมการ
แห่งชาติในการศึกษาต่อในระดับภูมิภาค
นอกจากนี้ ไลดาร์สำหรับเลือกหลากหลายอย่างมากใน
เชิงเส้นหลายรูปแบบ นี้ ถูกคาดหวังให้ความแตกต่างขนาดใหญ่
ในการอ้างอิง AGB ในแปลงชีวมวลขนาดใหญ่ อย่างไรก็ตาม ในกรณีของพื้นที่ศึกษา
แต่ต่ำกว่าชีวมวลแปลง
ค้นพบอาจไม่ถือจริง .
ในถดถอยเชิงเส้น แบบจำลองความสูงวัดที่เกี่ยวข้องอธิบาย
รูปแบบมากกว่าหลังคาแสงและใบไม้โปรไฟล์
ที่มาตรวัด นี้หมายถึงที่อ้างอิงข้างบน
ชีวมวลเป็นหลักที่เกี่ยวข้องกับความสูงของพื้นดินและ / หรือไม้โดยตรง และการใช้ตัวชี้วัดและท้องฟ้า
โปรไฟล์ประกอบด้วยข้อมูลมาก ( ค่าประมาณ
เป็นข้อเสนอแนะจากฮูเดิ่ก et al . ( 2006 ) , ค่าความเข้ม โดยเฉพาะ
หมายถึงความเข้มค่า ยังพิสูจน์เป็นประโยชน์ในการทำนาย
จู่ ๆป่าแรกเริ่มพื้นที่ และความหนาแน่นของต้นไม้ ซึ่งแสดงให้เห็นว่าความเข้มค่า
อาจปรับปรุงความสามารถของแบบจำลองการถดถอย
ของชีวมวล การวิจัยเป็นสิ่งจำเป็นเพื่อตรวจสอบว่า
เพิ่มความเข้มของ lidar จะปรับปรุงประสิทธิภาพในการถดถอยแบบ
อ้างอิงจากสมการประมาณค่าทั้ง AGB ภูมิภาค
และการอ้างอิง AGB เจนกินส์
ประมาณคำนวณจากสมการ โดยรวมแสงและข้อมูลเรดาร์
ลงในตัวแปร LIDAR ยังพิสูจน์ให้เป็นประโยชน์สำหรับชีวมวลทำนาย
( ไฮด์ et al . , 2006 ; Nelson et al . , 2007 ) ดังนั้นการประเมินอิทธิพลของ
มีความละเอียดสูงภาพเมื่อประมาณสมการเชิงบูรณาการก็คุ้ม
แต่ต้องศึกษา วิธีการที่ไม่ใช้พารามิเตอร์การใช้มากขึ้น
แบบป่าพารามิเตอร์กับอากาศต่อเนื่องกลับ LIDAR ข้อมูล
( เช่นฮูเดิ่ก et al . , 2006 ; ยู et al . , 2011 ) , การสำรวจต่อไป
ที่จําเป็นสําหรับใช้กลั่น อีกวิธีที่ไม่ใช้พารามิเตอร์ใน
ชีวมวลประมาณการโดยใช้ข้อมูล LIDAR .
จากแหล่งทั้งในระดับภูมิภาคและระดับชาติให้มากการเปลี่ยนแปลงในระดับ
พล็อตชีวมวลประมาณการ โดยเฉพาะอย่างยิ่งในหนาแน่นแปลง การเปลี่ยนแปลง
อาจแนะนำให้แปลงชีวมวลขนาดใหญ่จะไม่ดีแสดงในระดับชาติ
ประมาณสมการรากศัพท์เนื่องจากข้อเท็จจริงที่ว่ามันเป็นมากกว่าเสียเวลาและแรงงานเก็บเกี่ยว
แปลงชีวมวลขนาดใหญ่ แม้ว่าข้อเท็จจริงที่ว่า มวล ความหนาแน่น
สองชุดของสมการประมาณถือรูปแบบคล้ายกันสถิติ
ความแตกต่างในความหนาแน่นมวล ชัดเจน แสดงถึงความสำคัญของการประเมินอิทธิพลของ
ในสมการทำนายแตกต่างกันประมาณชีวมวลด้วยระบบ LIDAR รอยเท้าเล็ก ๆ .
เพราะทั้งชุดสมการประมาณเพียงเข้าจ้าง
,และภูมิภาคประมาณสมการใช้เพิ่มเติมมากกว่าตัวแปร
( เช่น ความสูง ) , ความแตกต่างระหว่างความหนาแน่นของชีวมวลที่
ระดับพล็อตส่วนใหญ่สะท้อนให้เห็นถึงการเปลี่ยนแปลงของความสูงรวมเปลือก
ในพล็อต ผลเปรียบเทียบของ AGB ใช้
ทั้งสองชุดของสมการที่แสดงให้เห็นว่าต้นไม้ใน
ความสูงประมาณเขตการศึกษาของเราอาจจะโดยทั่วไปจะสูงกว่าความสูงเฉลี่ยของชนิดเดียวกัน
กลุ่มทั่วประเทศ ในรุ่นที่มีการอ้างอิงที่คำนวณจากสมการมวลชีวภาพเหนือพื้นดิน
ชีวมวลในระดับภูมิภาค , การบูรณาการแบบเชิงประจักษ์
ความสัมพันธ์ระหว่างขนาดเส้นผ่าศูนย์กลางและความสูงเพิ่มขึ้นโดยทั่วไป
ประสิทธิภาพถดถอยแบบ ยูทิลิตี้นี้สามารถอธิบาย
โดยข้อเท็จจริง LIDAR ได้ตัวแปรที่เกี่ยวข้องโดยตรงกับความสูง
ในขณะที่การอ้างอิง agbs คำนวณจากทั้งเจนกินส์ประมาณ
สมการหรือภูมิภาคประมาณสมการแบ่งปันร่วมกันใส่
ไม้ . ง่ายแปลงจากความสูงวัดถึงปริมาตร
วัดทำให้ความสัมพันธ์ระหว่างการอ้างอิง agbs
lidar และได้มาวัดมากขึ้นโดยตรงและปิด อย่างไรก็ตาม นอกจาก
ความสัมพันธ์เชิงประจักษ์นี้ไม่ได้ช่วยให้ในรุ่นที่มีคำนวณจาก AGB
รุ่นเจนกินส์สมการ ใช้อ้างอิงได้จาก AGB ภูมิภาค
ชีวมวลสมการแสดงได้ดีกว่าการใช้รูปแบบสมการ
รุ่นสูงและต่ำ จะแสดงให้เห็นถึงวิธีการปรับ R2
ดีกว่าคาดการณ์ความสามารถของชีวมวลกับ LIDAR ซึ่งตัวแปร .
ตัวอย่างเช่นในกรณีที่เรารวมปริมาตรวัด
อธิบายความแปรปรวนเพิ่มขึ้นจาก 0.68 0.79 สำหรับแบบจำลองเชิงเส้นหลาย
สมรรถนะเหนือกว่ารุ่นที่ใช้ชีวมวลประมาณสมการแสดงให้เห็นว่าภูมิภาค
agbs อ้างอิงโดยใช้สมการมวลชีวภาพในภูมิภาคไม่เพียง แต่ยิ่งบันทึก
ชีวมวล ประเมิน และยัง เพิ่มเติมที่เกี่ยวข้องอย่างใกล้ชิดกับ lidarderived
มาตรวัดผลคือ หนึ่งควรจะระมัดระวังเมื่อใช้ขนาดประมาณสมการ
แห่งชาติในการศึกษาต่อในระดับภูมิภาค
นอกจากนี้ ไลดาร์สำหรับเลือกหลากหลายอย่างมากใน
เชิงเส้นหลายรูปแบบ นี้ ถูกคาดหวังให้ความแตกต่างขนาดใหญ่
ในการอ้างอิง AGB ในแปลงชีวมวลขนาดใหญ่ อย่างไรก็ตาม ในกรณีของพื้นที่ศึกษา
แต่ต่ำกว่าชีวมวลแปลง
ค้นพบอาจไม่ถือจริง .
ในถดถอยเชิงเส้น แบบจำลองความสูงวัดที่เกี่ยวข้องอธิบาย
รูปแบบมากกว่าหลังคาแสงและใบไม้โปรไฟล์
ที่มาตรวัด นี้หมายถึงที่อ้างอิงข้างบน
ชีวมวลเป็นหลักที่เกี่ยวข้องกับความสูงของพื้นดินและ / หรือไม้โดยตรง และการใช้ตัวชี้วัดและท้องฟ้า
โปรไฟล์ประกอบด้วยข้อมูลมาก ( ค่าประมาณ
เป็นข้อเสนอแนะจากฮูเดิ่ก et al . ( 2006 ) , ค่าความเข้ม โดยเฉพาะ
หมายถึงความเข้มค่า ยังพิสูจน์เป็นประโยชน์ในการทำนาย
จู่ ๆป่าแรกเริ่มพื้นที่ และความหนาแน่นของต้นไม้ ซึ่งแสดงให้เห็นว่าความเข้มค่า
อาจปรับปรุงความสามารถของแบบจำลองการถดถอย
ของชีวมวล การวิจัยเป็นสิ่งจำเป็นเพื่อตรวจสอบว่า
เพิ่มความเข้มของ lidar จะปรับปรุงประสิทธิภาพในการถดถอยแบบ
อ้างอิงจากสมการประมาณค่าทั้ง AGB ภูมิภาค
และการอ้างอิง AGB เจนกินส์
ประมาณคำนวณจากสมการ โดยรวมแสงและข้อมูลเรดาร์
ลงในตัวแปร LIDAR ยังพิสูจน์ให้เป็นประโยชน์สำหรับชีวมวลทำนาย
( ไฮด์ et al . , 2006 ; Nelson et al . , 2007 ) ดังนั้นการประเมินอิทธิพลของ
มีความละเอียดสูงภาพเมื่อประมาณสมการเชิงบูรณาการก็คุ้ม
แต่ต้องศึกษา วิธีการที่ไม่ใช้พารามิเตอร์การใช้มากขึ้น
แบบป่าพารามิเตอร์กับอากาศต่อเนื่องกลับ LIDAR ข้อมูล
( เช่นฮูเดิ่ก et al . , 2006 ; ยู et al . , 2011 ) , การสำรวจต่อไป
ที่จําเป็นสําหรับใช้กลั่น อีกวิธีที่ไม่ใช้พารามิเตอร์ใน
ชีวมวลประมาณการโดยใช้ข้อมูล LIDAR .
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- I can feel it
- The OMW amounts to 0.5e3.25 m3 per 1000
- อารมณ์แปรปรวน
- ฉลาด
- To explore the possibility of other theo
- อย่าให้คลาดสายตา
- เพราะเราต่างกันเยอะโดยเฉพาะภาษา
- the judge gave an biased verdict that di
- ฉันหวังว่าทุกคนคงมีคติประจำใจเป็นแรงผลัก
- เขาจะสนใจแต่สิ่งที่เขาให้ความสำคัญ
- ข้างนอกโต๊ะได้จองเต็มหมดแล้วนั่งข้างในดี
- similar to
- I know doctor prohibition me drink
- Display blocks
- That can help reduce cholesterol liberat
- Many research suggested that the majorit
- hike
- Display blocks
- คุยกับฉันเพราะแบบนี้หลอ?
- これはちょうどそれについての行き止まりです ！
- ทั้งทาง Facebook twitter and line
- The experimental results suggested that
- Language is really my favorite subject a
- ดุด่า
