Détail de l'auteur
Auteur Nicolai Kalischek |
Documents disponibles écrits par cet auteur (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Global canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles / Nico Lang in Remote sensing of environment, vol 268 (January 2022)
[article]
Titre : Global canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles Type de document : Article/Communication Auteurs : Nico Lang, Auteur ; Nicolai Kalischek, Auteur ; John Armston, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n* 112760 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] biomasse aérienne
[Termes IGN] classification dirigée
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] estimation bayesienne
[Termes IGN] forme d'onde
[Termes IGN] Global Ecosystem Dynamics Investigation lidar
[Termes IGN] modèle numérique de surface de la canopée
[Termes IGN] semis de pointsRésumé : (auteur) NASA's Global Ecosystem Dynamics Investigation (GEDI) is a key climate mission whose goal is to advance our understanding of the role of forests in the global carbon cycle. While GEDI is the first space-based LIDAR explicitly optimized to measure vertical forest structure predictive of aboveground biomass, the accurate interpretation of this vast amount of waveform data across the broad range of observational and environmental conditions is challenging. Here, we present a novel supervised machine learning approach to interpret GEDI waveforms and regress canopy top height globally. We propose a probabilistic deep learning approach based on an ensemble of deep convolutional neural networks (CNN) to avoid the explicit modelling of unknown effects, such as atmospheric noise. The model learns to extract robust features that generalize to unseen geographical regions and, in addition, yields reliable estimates of predictive uncertainty. Ultimately, the global canopy top height estimates produced by our model have an expected RMSE of 2.7 m with low bias. Numéro de notice : A2022-086 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.1016/j.rse.2021.112760 Date de publication en ligne : 03/11/2021 En ligne : https://doi.org/10.1016/j.rse.2021.112760 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99495
in Remote sensing of environment > vol 268 (January 2022) . - n* 112760[article]