The Experts below are selected from a list of 1110366 Experts worldwide ranked by ideXlab platform
Christopher Conrad - One of the best experts on this subject based on the ideXlab platform.
-
Biomass Assessment of Agricultural Crops Using Multi-temporal Dual-Polarimetric TerraSAR-X Data
PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, 2019Co-Authors: Nima Ahmadian, Reinhard Zölitz, Tobias Ullmann, Jochem Verrelst, Erik Borg, Christopher ConradAbstract:ZusammenfassungBiomassebewertung von landwirtschaftlichen Kulturen mit multitemporalen Methoden basierend auf dual-polarimetrischen TerraSAR-X-Daten . Die Studie zielt auf die Bestimmung von Biomasse dreier landwirtschaftlicher Kulturen, Winterweizen (Triticum aestivum L.), Gerste (Hordeum vulgare L.) und Raps (Brassica napus L.) mit multitemporalen dual-polarimetrischen TerraSAR-X-Daten. Der Radarrückstreuungskoeffizient Sigma Null der beiden Polarisationskanäle HH und VV wurde aus den Satellitenbildern extrahiert. Anschließend wurden Kombinationen von HH- und VV-Polarisationen berechnet (z. B. HH/VV, HH + VV, HH × VV), um Beziehungen zwischen den SAR-Daten und der frischen und der trockenen Biomasse jeder Kulturart unter Verwendung einer multiplen schrittweisen Regression zu bestimmen. Zusätzlich wurde das semi-empirische Water Cloud Model (WCM) verwendet, um die Wirkung von PflanzenBiomasse auf Radarrückstreudaten abzuschätzen. Das Potenzial des maschinellen Lernens mit Random Forest (RF) wurde ebenfalls untersucht. Das Verfahren der geteilten Stichprobe (split sampling, 70% Training und 30% Test) wurde durchgeführt, um die schrittweisen Regressionen, WCM und RF zu validieren. Das multiple schrittweise Regressionsverfahren unter Verwendung von dual-polarimetrischen Daten war in der Lage, die Biomasse der drei Kulturen, insbesondere für trockene Biomasse mit R² > 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R² > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R² > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse.AbstractThe Biomass of three agricultural crops, winter wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), and canola ( Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry Biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop Biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the Biomass of the three crops, particularly for dry Biomass, with R ^2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in Biomass estimation, especially for the fresh Biomass. For example, the R ^2 > 0.68 for the fresh Biomass estimation of different crop types using RF whereas WCM show R ^2
-
Biomass Assessment of Agricultural Crops Using Multi-temporal Dual-Polarimetric TerraSAR-X Data
PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, 2019Co-Authors: Nima Ahmadian, Reinhard Zölitz, Tobias Ullmann, Jochem Verrelst, Erik Borg, Christopher ConradAbstract:The Biomass of three agricultural crops, winter wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), and canola ( Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry Biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop Biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the Biomass of the three crops, particularly for dry Biomass, with R ^2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in Biomass estimation, especially for the fresh Biomass. For example, the R ^2 > 0.68 for the fresh Biomass estimation of different crop types using RF whereas WCM show R ^2 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R² > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R² > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse.
-
Biomass Assessment of Agricultural Crops Using Multi-temporal Dual-Polarimetric TerraSAR-X Data
PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, 2019Co-Authors: Nima Ahmadian, Reinhard Zölitz, Tobias Ullmann, Jochem Verrelst, Erik Borg, Christopher ConradAbstract:Biomassebewertung von landwirtschaftlichen Kulturen mit multitemporalen Methoden basierend auf dual-polarimetrischen TerraSAR-X-Daten . Die Studie zielt auf die Bestimmung von Biomasse dreier landwirtschaftlicher Kulturen, Winterweizen (Triticum aestivum L.), Gerste (Hordeum vulgare L.) und Raps (Brassica napus L.) mit multitemporalen dual-polarimetrischen TerraSAR-X-Daten. Der Radarrückstreuungskoeffizient Sigma Null der beiden Polarisationskanäle HH und VV wurde aus den Satellitenbildern extrahiert. Anschließend wurden Kombinationen von HH- und VV-Polarisationen berechnet (z. B. HH/VV, HH + VV, HH × VV), um Beziehungen zwischen den SAR-Daten und der frischen und der trockenen Biomasse jeder Kulturart unter Verwendung einer multiplen schrittweisen Regression zu bestimmen. Zusätzlich wurde das semi-empirische Water Cloud Model (WCM) verwendet, um die Wirkung von PflanzenBiomasse auf Radarrückstreudaten abzuschätzen. Das Potenzial des maschinellen Lernens mit Random Forest (RF) wurde ebenfalls untersucht. Das Verfahren der geteilten Stichprobe (split sampling, 70% Training und 30% Test) wurde durchgeführt, um die schrittweisen Regressionen, WCM und RF zu validieren. Das multiple schrittweise Regressionsverfahren unter Verwendung von dual-polarimetrischen Daten war in der Lage, die Biomasse der drei Kulturen, insbesondere für trockene Biomasse mit R² > 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R² > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R² > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse. The Biomass of three agricultural crops, winter wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), and canola ( Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry Biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop Biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the Biomass of the three crops, particularly for dry Biomass, with R ^2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in Biomass estimation, especially for the fresh Biomass. For example, the R ^2 > 0.68 for the fresh Biomass estimation of different crop types using RF whereas WCM show R ^2
Suani Teixeira Coelho - One of the best experts on this subject based on the ideXlab platform.
-
Renewable energy - Traditional Biomass vs. modern Biomass
Energy Policy, 2004Co-Authors: José Goldemberg, Suani Teixeira CoelhoAbstract:Renewable energy is basic to reduce poverty and to allow sustainable development. However, the concept of renewable energy must be carefully established, particularly in the case of Biomass. This paper analyses the sustainability of Biomass, comparing the so-called "traditional" and "modern" Biomass, and discusses the need for statistical information, which will allow the elaboration of scenarios relevant to renewable energy targets in the world. © 2003 Elsevier Ltd. All rights reserved.
Kartik C. Khilar - One of the best experts on this subject based on the ideXlab platform.
-
Pyrolysis characteristics of Biomass and Biomass components
Fuel, 1996Co-Authors: K. Raveendran, Anuradda Ganesh, Kartik C. KhilarAbstract:Biomass pyrolysis studies were conducted using both a thermogravimetric analyser and a packed-bed pyrolyser. Each kind of Biomass has a characteristic pyrolysis behaviour which is explained based on its individual component characteristics. Studies on isolated Biomass components as well as synthetic Biomass show that the interactions among the components are not of as much significance as the composition of the Biomass. Direct summative correlations based on Biomass component pyrolysis adequately explain both the pyrolysis characteristics and product distribution of Biomass. It is inferred that there is no detectable interaction among the components during pyrolysis in either the thermogravimetric analyser or the packed-bed pyrolyser. However, ash present in Biomass seems to have a strong influence on both the pyrolysis characteristics and the product distribution.
-
Pyrolysis characteristics of Biomass and Biomass components
Fuel, 1996Co-Authors: K. Raveendran, Anuradda Ganesh, Kartik C. KhilarAbstract:Biomass pyrolysis studies were conducted using both a thermogravimetric analyser and a packed-bed pyrolyser. Each kind of Biomass has a characteristic pyrolysis behaviour which is explained based on its individual component characteristics. Studies on isolated Biomass components as well as synthetic Biomass show that the interactions among the components are not of as much significance as the composition of the Biomass. Direct summative correlations based on Biomass component pyrolysis adequately explain both the pyrolysis characteristics and product distribution of Biomass. It is inferred that there is no detectable interaction among the components during pyrolysis in either the thermogravimetric analyser or the packed-bed pyrolyser. However, ash present in Biomass seems to have a strong influence on both the pyrolysis characteristics and the product distribution. Copyright © 1996 Elsevier Science Ltd.
Nima Ahmadian - One of the best experts on this subject based on the ideXlab platform.
-
Biomass Assessment of Agricultural Crops Using Multi-temporal Dual-Polarimetric TerraSAR-X Data
PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, 2019Co-Authors: Nima Ahmadian, Reinhard Zölitz, Tobias Ullmann, Jochem Verrelst, Erik Borg, Christopher ConradAbstract:ZusammenfassungBiomassebewertung von landwirtschaftlichen Kulturen mit multitemporalen Methoden basierend auf dual-polarimetrischen TerraSAR-X-Daten . Die Studie zielt auf die Bestimmung von Biomasse dreier landwirtschaftlicher Kulturen, Winterweizen (Triticum aestivum L.), Gerste (Hordeum vulgare L.) und Raps (Brassica napus L.) mit multitemporalen dual-polarimetrischen TerraSAR-X-Daten. Der Radarrückstreuungskoeffizient Sigma Null der beiden Polarisationskanäle HH und VV wurde aus den Satellitenbildern extrahiert. Anschließend wurden Kombinationen von HH- und VV-Polarisationen berechnet (z. B. HH/VV, HH + VV, HH × VV), um Beziehungen zwischen den SAR-Daten und der frischen und der trockenen Biomasse jeder Kulturart unter Verwendung einer multiplen schrittweisen Regression zu bestimmen. Zusätzlich wurde das semi-empirische Water Cloud Model (WCM) verwendet, um die Wirkung von PflanzenBiomasse auf Radarrückstreudaten abzuschätzen. Das Potenzial des maschinellen Lernens mit Random Forest (RF) wurde ebenfalls untersucht. Das Verfahren der geteilten Stichprobe (split sampling, 70% Training und 30% Test) wurde durchgeführt, um die schrittweisen Regressionen, WCM und RF zu validieren. Das multiple schrittweise Regressionsverfahren unter Verwendung von dual-polarimetrischen Daten war in der Lage, die Biomasse der drei Kulturen, insbesondere für trockene Biomasse mit R² > 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R² > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R² > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse.AbstractThe Biomass of three agricultural crops, winter wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), and canola ( Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry Biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop Biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the Biomass of the three crops, particularly for dry Biomass, with R ^2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in Biomass estimation, especially for the fresh Biomass. For example, the R ^2 > 0.68 for the fresh Biomass estimation of different crop types using RF whereas WCM show R ^2
-
Biomass Assessment of Agricultural Crops Using Multi-temporal Dual-Polarimetric TerraSAR-X Data
PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, 2019Co-Authors: Nima Ahmadian, Reinhard Zölitz, Tobias Ullmann, Jochem Verrelst, Erik Borg, Christopher ConradAbstract:The Biomass of three agricultural crops, winter wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), and canola ( Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry Biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop Biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the Biomass of the three crops, particularly for dry Biomass, with R ^2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in Biomass estimation, especially for the fresh Biomass. For example, the R ^2 > 0.68 for the fresh Biomass estimation of different crop types using RF whereas WCM show R ^2 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R² > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R² > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse.
-
Biomass Assessment of Agricultural Crops Using Multi-temporal Dual-Polarimetric TerraSAR-X Data
PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, 2019Co-Authors: Nima Ahmadian, Reinhard Zölitz, Tobias Ullmann, Jochem Verrelst, Erik Borg, Christopher ConradAbstract:Biomassebewertung von landwirtschaftlichen Kulturen mit multitemporalen Methoden basierend auf dual-polarimetrischen TerraSAR-X-Daten . Die Studie zielt auf die Bestimmung von Biomasse dreier landwirtschaftlicher Kulturen, Winterweizen (Triticum aestivum L.), Gerste (Hordeum vulgare L.) und Raps (Brassica napus L.) mit multitemporalen dual-polarimetrischen TerraSAR-X-Daten. Der Radarrückstreuungskoeffizient Sigma Null der beiden Polarisationskanäle HH und VV wurde aus den Satellitenbildern extrahiert. Anschließend wurden Kombinationen von HH- und VV-Polarisationen berechnet (z. B. HH/VV, HH + VV, HH × VV), um Beziehungen zwischen den SAR-Daten und der frischen und der trockenen Biomasse jeder Kulturart unter Verwendung einer multiplen schrittweisen Regression zu bestimmen. Zusätzlich wurde das semi-empirische Water Cloud Model (WCM) verwendet, um die Wirkung von PflanzenBiomasse auf Radarrückstreudaten abzuschätzen. Das Potenzial des maschinellen Lernens mit Random Forest (RF) wurde ebenfalls untersucht. Das Verfahren der geteilten Stichprobe (split sampling, 70% Training und 30% Test) wurde durchgeführt, um die schrittweisen Regressionen, WCM und RF zu validieren. Das multiple schrittweise Regressionsverfahren unter Verwendung von dual-polarimetrischen Daten war in der Lage, die Biomasse der drei Kulturen, insbesondere für trockene Biomasse mit R² > 0,7, ohne weitere externe Eingangsgrößen wie beispielsweise Informationen über die (tatsächliche) Bodenfeuchte zu erfassen. Ein Vergleich der Random Forest (RF) Methode mit dem WCM zeigt, dass die RF Methode das WCM bei der Biomassenabschätzung deutlich übertroffen hat, insbesondere für frische Biomasse. Beispielsweise ergab die RF Methode ein R² > 0,68 für die Schätzung der frischen Biomasse verschiedener Kulturarten, während das WCM nur ein R² > 0,35 zeigte. Andererseits ähnelten sich die Ergebnisse beider Ansätze im Fall der trockenen Biomasse. The Biomass of three agricultural crops, winter wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), and canola ( Brassica napus L.), was studied using multi-temporal dual-polarimetric TerraSAR-X data. The radar backscattering coefficient sigma nought of the two polarization channels HH and VV was extracted from the satellite images. Subsequently, combinations of HH and VV polarizations were calculated (e.g. HH/VV, HH + VV, HH × VV) to establish relationships between SAR data and the fresh and dry Biomass of each crop type using multiple stepwise regression. Additionally, the semi-empirical water cloud model (WCM) was used to account for the effect of crop Biomass on radar backscatter data. The potential of the Random Forest (RF) machine learning approach was also explored. The split sampling approach (i.e. 70% training and 30% testing) was carried out to validate the stepwise models, WCM and RF. The multiple stepwise regression method using dual-polarimetric data was capable to retrieve the Biomass of the three crops, particularly for dry Biomass, with R ^2 > 0.7, without any external input variable, such as information on the (actual) soil moisture. A comparison of the random forest technique with the WCM reveals that the RF technique remarkably outperformed the WCM in Biomass estimation, especially for the fresh Biomass. For example, the R ^2 > 0.68 for the fresh Biomass estimation of different crop types using RF whereas WCM show R ^2
Jingyun Fang - One of the best experts on this subject based on the ideXlab platform.
-
forest Biomass and root shoot allocation in northeast china
Forest Ecology and Management, 2008Co-Authors: Xiangping Wang, Jingyun FangAbstract:Abstract Temperate and boreal forests act as major sinks for atmospheric CO2. To assess the magnitude and distribution of the sinks more precisely, an accurate estimation of forest Biomass is required. However, the determinants of large-scale Biomass pattern (especially root Biomass) are still poorly understood for these forests in China. In this study, we used 515 field measurements of Biomass across the northeast part of China, to examine factors affecting large-scale Biomass pattern and root–shoot Biomass allocation. Our results showed that, Picea & Abies forest and coniferous & broadleaf mixed forest had the highest mean Biomass (178–202 Mg/ha), while Pinus sylvestris forest the lowest (78 Mg/ha). The root:shoot (R/S) Biomass ratio ranged between 0.09 and 0.67 in northeast China, with an average of 0.27. Forest origin (primary/secondary/planted forest) explained 31–37% of variation in Biomass (total, shoot and root), while climate explained only 8–15%, reflecting the strong effect of disturbance on forest Biomass. Compared with shoot Biomass, root Biomass was less limited by precipitation as a result of Biomass allocation change. R/S ratio was negatively related to water availability, shoot Biomass, stand age, height and volume, suggesting significant effects of climate and ontogeny on Biomass allocation. Root–shoot Biomass relationships also differed significantly between natural and planted forests, and between broadleaf and coniferous forests. Shoot Biomass, climate and forest origin were the most important predictors for root Biomass, and together explained 83% of the variation. This model provided a better way for estimating root Biomass than the R/S ratio method, which predicted root Biomass with a R2 of 0.71.
