Key points are not available for this paper at this time.
La télédétection des forêts est un outil puissant pour surveiller la biodiversité des écosystèmes, maintenir la planification générale et comptabiliser les ressources. Divers capteurs rassemblent des données hétérogènes, et des méthodes avancées d'apprentissage machine permettent leur traitement automatique sur de vastes territoires. Les propriétés clés des forêts généralement prises en compte dans les études environnementales incluent les espèces dominantes, l'âge des arbres, la hauteur, la surface basale et le stock de bois. Étant des indicateurs de la productivité de la parcelle, elles peuvent être utilisées pour l'estimation du stock de carbone forestier afin d'analyser l'état des forêts et les mesures appropriées d'atténuation du changement climatique à l'échelle mondiale. Dans cette étude, nous visons à développer un pipeline efficace basé sur l'apprentissage machine pour l'estimation automatique du stock de carbone en utilisant uniquement des observations satellite librement disponibles et régulièrement mises à jour. Nous avons utilisé des données de télédétection multispectrales Sentinel-2 pour prédire les caractéristiques de la structure forestière et produire leurs cartes spatiales détaillées. En utilisant l'algorithme Extreme Gradient Boosting (XGBoost) dans des paramètres de classification et de régression et des données d'inventaire à l'échelle de gestion comme mesures de référence, nous avons atteint une qualité de prédictions d'espèces égale à 0,75 selon le score F1, et pour l'âge de la parcelle, la hauteur et la surface basale, nous avons obtenu une précision de 0,75, 0,58 et 0,56, respectivement, selon le R.
Illarionova et al. (Mon,) ont étudié cette question.