标题：
Importance of sample size, data type and prediction method for remote sensing-based estimations of aboveground forest biomass
第一作者 ：Hartig, Florian
德国卡尔斯鲁厄理工学院
第二作者 ： Latifi, Hooman
德国卡尔斯鲁厄理工学院
通讯作者 ：Faßnacht, Fabian Ewald
德国卡尔斯鲁厄理工学院
🛰️🛩️🌱🌱🌱🌱🌱🌱🌱🌱🌱🧠💻
样本大小对估算精度有显著影响，样本量越大，估算误差越小。 数据类型对估算结果也有影响，雷达数据在某些情况下比光学数据更能准确估算AGB。 预测模型的选择对结果也至关重要，某些机器学习模型能更有效地处理遥感数据，提高估算精度。
所审查研究中参考测量样本量的频率分布
所审查研究中使用的数据源（传感器）的频率分布。（AL = 机载 LiDAR、SL = 星载 LiDAR、AMS =机载多光谱、SMS =星载多光谱、AR =机载雷达、SR =星载雷达、AHS =机载高光谱、comb =使用来自至少两个上述数据源的数据进行的研究.)
所审查研究的预测方法的频率分布。（lin =线性模型、SVM =支持向量机、NN =基于最近邻的方法、RF =随机森林、GP =高斯过程。）
通过每种预测方法的 5 倍交叉验证获得的 500 个引导模型的平均 r 2 值的分布（LMSTEP =逐步线性模型，SVM =支持向量机，KNN = k 最近邻， RF =随机森林，GP =高斯过程）和预测数据（传感器）类型。此外，四个样本量类别中每一个类别的相应准确度测量的中值均以彩色水平条纹给出（类别 1 至类别 4 从左到右，颜色为红色、蓝色、黄色和绿色）。
500 个自举模型的平均 RMSE 值的分布。
总结：特别强调了大样本数据的重要性和选择合适的预测模型的必要性。研究也暴露了一些限制，例如在不同森林类型和地理区域的广泛适用性方面还需要更多的验证。此外，论文提出了对遥感数据处理技术和预测模型继续改进的需求，特别是在处理大数据时的计算效率和模型泛化能力。推荐指数：⭐⭐⭐⭐
链接
—
https://doi.org/10.1016/j.rse.2014.07.028
