SwePub
Sök i LIBRIS databas

  Utökad sökning

onr:"swepub:oai:DiVA.org:lnu-126400"
 

Sökning: onr:"swepub:oai:DiVA.org:lnu-126400" > Forest Biophysical ...

LIBRIS Formathandbok  (Information om MARC21)
FältnamnIndikatorerMetadata
00002989naa a2200409 4500
001oai:DiVA.org:lnu-126400
003SwePub
008240111s2023 | |||||||||||000 ||eng|
0247 a https://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-1264002 URI
0247 a https://doi.org/10.1109/igarss52108.2023.102828992 DOI
040 a (SwePub)lnu
041 a engb eng
042 9 SwePub
072 7a ref2 swepub-contenttype
072 7a kon2 swepub-publicationtype
1001 a Aksoy, Sametu Istanbul Technical University, Türkiye4 aut
2451 0a Forest Biophysical Parameter Estimation via Machine Learning and Neural Network Approaches
264 1b IEEE,c 2023
338 a print2 rdacarrier
520 a This paper presents the first results of the ongoing development of new forest mapping methods for the Swedish national forest mapping case using Airborne Laser Scanning (ALS) data, utilizing the recent findings in machine learning (ML) and Artificial Intelligence (AI) techniques. We used Random Forest (RF) and eXtreme Gradient Boosting (XGBoost) as ML models. In addition, Neural networks (NN) based approaches were utilized in this study. ALS derived features were used to estimate the stem volume (V), above-ground biomass (AGB), basal area (B), tree height (H), stem diameter (D), and forest stand age (A). XGBoost ML algorithm outperformed RF 1 % to 3 % in the R² metric. NN model performed similar to ML model, however it is superior in the estimation of V, AGB, and B parameters.
650 7a LANTBRUKSVETENSKAPERx Lantbruksvetenskap, skogsbruk och fiskex Skogsvetenskap0 (SwePub)401042 hsv//swe
650 7a AGRICULTURAL SCIENCESx Agriculture, Forestry and Fisheriesx Forest Science0 (SwePub)401042 hsv//eng
653 a Forestry and Wood Technology
653 a Skog och träteknik
7001 a Hasan Al Shwayyat, Shouq Zuhteru Marmara University, Türkiye4 aut
7001 a Nur Topgül, Şuleu Istanbul Technical University, Türkiye4 aut
7001 a Sertel, Elifu Istanbul Technical University, Türkiye4 aut
7001 a Ünsalan, Cemu Marmara University, Türkiye4 aut
7001 a Salo, Jariu University of Helsinki, Finland4 aut
7001 a Holmström, Antonu Katam Technologies, Sweden4 aut
7001 a Wallerman, Jörgenu Swedish University of Agricultural Sciences, Sweden4 aut
7001 a Nilsson, Matsu Swedish University of Agricultural Sciences, Sweden4 aut
7001 a Fransson, Johan,c Professor,d 1967-u Linnéuniversitetet,Institutionen för skog och träteknik (SOT),DISA;DISA-WBT4 aut0 (Swepub:lnu)jofrad
7102 a Istanbul Technical University, Türkiyeb Marmara University, Türkiye4 org
7730 t IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposiumd : IEEEg , s. 2661-2664q <2661-2664z 9798350320107z 9798350320091z 9798350331745
8564 8u https://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-126400
8564 8u https://doi.org/10.1109/igarss52108.2023.10282899

Hitta via bibliotek

Till lärosätets databas

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy