ABOVE-GROUND C-STOCK ESTIMATES USING
LIDAR, SPECTRAL INDICES AND ELEVATION DATA
And ei Toma, GeoEcoMa
Dus anka C ija no ic , UNSPMF
Ma in Ts c hiko , BOKU Uni e s i y
Albe Sc ieciu, GeoEcoMa
GENERAL APPROACH
This me hod desc ibes a pipeline o es ima ing abo e-g ound biomass (AGB) by combining
lid a -de i ed biomass es ima es om he GEDI L4A p oduc wi h op ical and opog aphic
ea u es de i ed om Landsa 8/9 image y and SRTM ele a ion da a. GEDI p o ides
oo p in -le el AGB alues, which se e as g ound- e e ence labels, while Landsa bands and
spec al indices such as EVI, NDMI, and NDBI p o ide he spa ially con inuous inpu ea u es.
The wo k low in o l e s d a a ac q uis i ion a nd p e p a a ion us ing Goo gle Ea h Engine (GEE),
whe e inpu s a e composi ed, no malized, and sampled, ollowed by model de elopmen in
Google Colab using a U-Ne con olu ional neu al ne wo k. This app oach acili a es scalable
b iom a s s e s im a io n in a c loud -based en i onmen , le e aging publicly a ailable Ea h
obse a ion da a and open-sou ce ools.
METHOD DESCRIPTION
1. Da a Sou ces
1.1 GEDI Da a
The GEDI Le el 4A p oduc p o ides biomass es ima es a speci ic, non - con iguous loca ions
along he o bi al ack o he In e na ional Space S a ion. Each eco d co esponds o a 25 -
me e diame e oo p in and includes:
• ó∫£ś┐� £Ÿł≠τ∫ ÁŸ ˆ ‘ © ┐£ ø Ÿ ” ó Î Î ┐ø ‘ ┐ÚŸ ‘ Î ┐‰≠ Á┐æ ≠ § Úó Á≠
• Ê ˆ ó Õø Úð ⁿ ă ó ∫ ś ┐k ˆ ó Õø Úð ┐ø ‘ © ø § ó ÚŸ Á┐� Ÿ Á┐Ă ÕÚ≠ Áø ‘ ∫ ┐Á≠ Õø ó £ Õ≠ ┐Á≠ § Ÿ Á© Î
• p ‰ó Úøó Õ┐” ≠ Úó © ó Úó ┐ΘÕó ÚøÚˆ © ≠ Ś┐ÕŸ ‘ ∫ ø Úˆ © ≠ Ś┐Î æ Ÿ Ú┐‘ ˆ ” £ ≠ ÁŚ┐£ ≠ ó ” ┐E0 Φ
The L4A p oduc is de i ed om GEDI wa e o m da a and p ocessed o p o ide es ima es
o biomass based on empi ical models calib a ed using ield plo s and e e ence da ase s.
These oo p in s, while spa se, o e aluable p oin -based e e ences ha can be used o
ain models when combined wi h b oade sa elli e image y.
1.2 Landsa Da a
Landsa 8 and 9 Su ace Re lec ance Tie 1 images a e used as inpu ea u es. These da a a e
a ailab le glob ally a 30 -me e spa ial esolu ion wi h a 16 -day e isi cycle (o 8 days o he
p a i ). A o ne -yea composi e o e.g. 2023 is gene a ed using bands B1 h ough B7. The
QA_PIXEL band is used o cloud and shadow masking o e ain only alid obse a ions.
1.3 Spec al Indices and Ele a ion
To inc ease he p edic i e capabili y o he model, he ollowing de i ed laye s a e added:
• 4ÜE┐Θ4‘ æó‘ §≠©┐Ü≠∫ ≠ÚóÚøŸ‘ ┐E‘ ©≠ÐΦś┐Dø∫ æÕø∫ æÚÎ ┐ł ≠∫ ≠ÚóÚøŸ‘ ┐∫ Á≠≠‘ ‘ ≠Î Î ┐ó‘ ©┐£ øŸ” óÎ Î ┐
‰Ÿ Ú≠ ‘ Úøó Õ
• Y0 XE┐ΘYŸÁ” óÕø×≠©┐0ø��≠Á≠‘ §≠┐XŸøÎÚˆ Á≠┐E‘ ©≠ÐΦś┐E‘ ©ø§óÚ≠Î┐ł ≠∫ ≠ÚóÚøŸ‘ ┐ŠóÚ≠Á┐§Ÿ‘Ú≠‘Ú
• Y0 *E┐ΘYŸÁ” óÕø×≠©┐0 ø��≠Á≠‘ §≠┐*ˆ øÕÚτˆ ‰┐E‘ © ≠ Ð Φś ┐z Î ≠ � ˆ Õ┐ø ‘ ┐Ă ÕÚ≠ Áø ‘ ∫ ┐ˆ Á£ ó ‘ ┐ó Á≠ ó Î
• Y 0 * ó E┐ΘY ŸÁ” ó Õø×≠ ©┐* ˆ Á‘ ┐� Á≠ ó ┐E‘ ©≠ ÐΦś┐0 ≠ Ú≠ § ÚÎ ┐‰ŸÎ ÚτĂÁ≠ ┐§ Ÿ‘ ©øÚøŸ‘ Î ┐Úæó Ú┐” ó ð ┐ó ��≠ § Ú┐
£ øŸ” ó Î Î
• 0 4 X ś┐p l X ┐≠ Õ≠ ł ó ÚøŸ‘ ┐©ó Úó Ś┐ÕŸ∫ τÚÁó ‘ Î �ŸÁ” ≠ ©┐ó ‘ ©┐‘ ŸÁ” ó Õø×≠ ©┐ÚŸ┐” ó Ú§ æ┐Úæ ≠ ┐Î § ó Õ≠ ┐Ÿ�┐
ŸÚæ≠Á┐ø‘‰ˆÚÎ
These indices a e compu ed using band algeb a and no malized o a consis en ange,
ensu ing compa ibili y ac oss ea u es and educing scale- e la e d b ia s e s in m od e l a ining.
2. Da a P epa a ion in Google Ea h Engine
Go ogle Ea h Engine is used o e icien cloud-based p ocessing and ea u e ex ac ion. I
allows access o as geospa ial da ase s and o e s unc ions o pe o m composi ing,
masking, and ans o ma ion ope a ions a scale.
2.1 Image P ep ocessing
• Ró‘ ©ÎóÚ┐Χ≠‘ ≠Î┐óÁ≠┐ĂÕÚ≠Á≠© ┐£ ð ┐ó § Ê ˆ ø Î ø Úø Ÿ ‘ ┐© ó Ú≠ ┐ó ‘ © ┐Á≠ ∫ ø Ÿ ‘ ┐Ÿ � ┐ø‘ Ú≠ Á≠ Î Ú┐Θl ^ EΦř
• æ ≠ ┐k � ⁿ i Eå 4 R ┐£ ó ‘ © ┐ø Î ┐ˆ Î ≠ © ┐ÚŸ ┐” ó Î À ┐§ ÕŸ ˆ © Î Ś┐Î æ ó © Ÿ Š Î Ś┐ó ‘ © ┐§ ø ÁÁˆ Î ┐§ Ÿ ‘ Úó ” ø ‘ ó Úø Ÿ ‘ ┐ˆ Î ø ‘ ∫ ┐
£ øÚ” ó Î À┐Ÿ ‰≠ Áó ÚøŸ ‘ Î ř
• � ┐” ≠ © øó ‘ ┐§ Ÿ ” ‰Ÿ Î øÚ≠ ┐øÎ ┐§ Á≠ ó Ú≠ © ┐ˆ Î ø ‘ ∫ ┐ó ÕÕ┐ł ó Õø © ┐ø ” ó ∫ ≠ Î ┐Š øÚæ ø‘ ┐Úæ ≠ ┐Úó Á∫ ≠ Ú┐‰≠ Áø Ÿ © ┐ΘĘ ď Ę ę ΦŚ┐
‰ÁŸ©ˆ § ø‘ ∫ ┐ó┐§ ÕŸˆ ©τ�Á≠≠┐ó‘ ©┐Ú≠” ‰ŸÁóÕÕð┐ÎÚó£Õ≠┐ø‘ ‰ˆ Ú┐ø” ó∫ ≠ř
2.2 Fea u e Augmen a ion
• p ‰≠ § ÚÁó Õ┐ø ‘ © ø § ≠ Î ┐ó Á≠ ┐§ ó Õ§ ˆ Õó Ú≠ © ┐ˆ Î ø ‘ ∫ ┐ó Áø Úæ ” ≠ Úø§ ┐≠ Ð ‰Á≠ Î Î ø Ÿ ‘ Î ┐Š øÚæ ┐R ó ‘ © Î ó Ú┐£ ó ‘ © Î ř
• 4 ó § æ ┐ø ‘ © ≠ Ð ┐ø Î ┐‘ Ÿ Á” ó Õø × ≠ © ┐ÚŸ ┐ó ┐ď‗Đ┐Î § ó Õ≠ ┐ÚŸ ┐Î Úó ‘ © ó Á© ø × ≠ ┐� ≠ ó Úˆ Á≠ ┐ø ‘ ‰ˆ ÚÎ ř
• æ ≠ ┐p l X ┐0 4 X ┐Õó ð ≠ Á┐ø Î ┐§ Õø ‰‰≠ © ┐ÚŸ ┐Úæ ≠ ┐l ^ EŚ┐ÕŸ ∫ τÚÁó ‘ Î � Ÿ Á” ≠ © ┐ÚŸ ┐Á≠ © ˆ § ≠ ┐Î À ≠ Š Ś┐ó ‘ © ┐Î § ó Õ≠ © ┐
£ ≠ ÚŠ ≠ ≠ ‘ ┐ď ┐ó ‘ © ┐Đř
• � ÕÕ┐Î ‰≠ § ÚÁó Õ┐£ ó ‘ © Î Ś┐ø‘ © ø§ ≠ Î Ś┐ó ‘ © ┐Úæ ≠ ┐≠ Õ≠ ł ó ÚøŸ ‘ ┐Õó ð ≠ Á┐ó Á≠ ┐Î Úó § À≠ © ┐ÚŸ ┐�Ÿ Á” ┐ó ┐” ˆ ÕÚøτ£ ó ‘ ©┐
§ Ÿ” ‰ŸÎ øÚ≠ř
2.3 Expo and Sampling
• æ≠ ┐Î Úó § À≠ ©┐ø” ó ∫ ≠ ┐øÎ ┐Á≠ ‰ÁŸ…≠ § Ú≠ ©┐ÚŸ┐Đď ď τ” ≠ Ú≠ Á┐Á≠ Î Ÿ Õˆ ÚøŸ ‘ Ś┐Š æ ø§ æ ┐§ Ÿ ÁÁ≠Î ‰Ÿ‘ ©Î ┐ÚŸ┐
ó ‰‰ÁŸ Ð ø ” ó Ú≠ Õð ┐Úæ ≠ ┐ó Á≠ ó ┐Ÿ � ┐ó ┐Đτæ≠§ÚóÁ≠┐‰ÕŸÚř
• @ 4 0 E┐R Ě � ┐‰Ÿ ø ‘ ÚÎ ┐Š øÚæ ø ‘ ┐Úæ ≠ ┐l ^ E┐ó Á≠ ┐Î ó ” ‰Õ≠ © ┐ˆ Î ø ‘ ∫ ┐Úæ ≠ ┐Î ó ” ‰Õ≠ l ≠ ∫ ø Ÿ ‘ Î ┐� ˆ ‘ § Úø Ÿ ‘ ř
• 4 ó § æ ┐@ 4 0 E┐‰Ÿ ø‘ Ú┐øÎ ┐ó Î Î Ÿ § øó Ú≠ © ┐Š øÚæ ┐Úæ ≠ ┐‰øÐ≠ Õ┐ł ó Õˆ ≠ Î ┐Ÿ �┐Úæ ≠ ┐R ó ‘ © Î ó Ú┐§ Ÿ ” ‰Ÿ Î øÚ≠ ┐ó Ú┐øÚÎ ┐
ÕŸ§ óÚøŸ‘ ř
• * Ÿ Úæ ┐Úæ ≠ ┐§ Ÿ ” ‰Ÿ Î øÚ≠ ┐ø” ó ∫ ≠ ┐Θó Î ┐@ ≠ Ÿ E? ? Φ┐ó ‘ © ┐Úæ ≠ ┐Î ó ” ‰Õ≠ ┐Úó £ Õ≠ ┐Θó Î ┐+ p Ü Φ┐ó Á≠ ┐≠ Ð ‰Ÿ ÁÚ≠ © ┐
ÚŸ ┐@ Ÿ Ÿ ∫ Õ≠ ┐0 Áø ł ≠ ┐� Ÿ Á┐ˆ Î ≠ ┐ø ‘ ┐” Ÿ © ≠ Õø ‘ ∫ ř
3. Model De elopmen in Google Colab
Google Colab is used o model de elopmen , o e ing a lexible Py hon en i onmen wi h
GPU suppo and in eg a ion wi h Google D i e.
3.1 En i onmen Se up
• @ Ÿ Ÿ ∫ Õ≠ ┐0 Áø ł ≠ ┐ø Î ┐” Ÿ ˆ ‘ Ú≠ © ┐� Ÿ Á┐Ă Õ≠ ┐ó § § ≠ Î Î ř
• l ≠ Ê ˆ ø Á≠ © ┐i ð Úæ Ÿ ‘ ┐Õø £ Áó Áø ≠ Î ┐ó Á≠ ┐ø ‘ Î Úó ÕÕ≠ © Ś┐ø ‘ § Õˆ © ø ‘ ∫ ┐Áó Î Ú≠ Áø Ÿ ┐� Ÿ Á┐ø ” ó ∫ ≠ ┐Á≠ ó © ø ‘ ∫ Ś┐‰ó ‘ © ó Î ┐� Ÿ Á┐
© ó Úó ┐æ ó ‘ © Õø ‘ ∫ Ś┐ó ‘ © ┐Ú≠ ‘ Î Ÿ Áă Ÿ Š ┐� Ÿ Á┐” Ÿ © ≠ Õ┐§ Ÿ ‘ Î ÚÁˆ § Úø Ÿ ‘ ř
3.2 Da a Loading
• æ ≠ ┐≠ Ð ‰Ÿ ÁÚ≠ © ┐R ó ‘ © Î ó Ú┐ø ” ó ∫ ≠ ┐øÎ ┐Ÿ ‰≠ ‘ ≠ © ┐ˆ Î ø ‘ ∫ ┐Áó Î Ú≠ Áø Ÿ Ś┐Š æ ø § æ ┐‰ÁŸ ł ø© ≠ Î ┐ó § § ≠ Î Î ┐ÚŸ ┐≠ ó § æ ┐
£ó‘ ©┐ó‘ ©┐” ≠Úó©óÚóř
• æ≠┐@40 E┐+ pÜ┐Úó£ Õ≠┐øÎ ┐Á≠ó©┐Š øÚæ┐‰ó‘ ©óÎ Ś┐ó‘ ©┐§ŸÕˆ ” ‘ Î ┐óÁ≠┐‰óÁÎ ≠©┐ÚŸ┐≠ÐÚÁó§Ú┐
§ŸŸÁ©ø‘ óÚ≠Î┐ó‘ ©┐� @*┐ł óÕˆ ≠Îř
3.3 Pa ch Ex ac ion and Da ase C ea ion
• 4ó§æ┐@40E┐‰Ÿø‘Ú↔Î ┐Õó ÚøÚˆ ©≠ ┐ó ‘ ©┐ÕŸ‘ ∫ øÚˆ ©≠┐óÁ≠┐§Ÿ‘ ł ≠ÁÚ≠©┐ÚŸ┐ø” ó∫ ≠┐‰øÐ≠Õ┐§ŸŸÁ©ø‘ óÚ≠Î┐
ˆ Î ø ‘ ∫ ┐Úæ ≠ ┐ó � Ă ‘ ≠ ┐ÚÁó ‘ Î � Ÿ Á” ó Úø Ÿ ‘ ┐Ÿ � ┐Úæ ≠ ┐Áó Î Ú≠ Ář
• � ÁŸ ˆ ‘ © ┐≠ ó § æ ┐@4 0 E┐‰Ÿ ø‘ ÚŚ┐ó ┐Ĺ Ě ╗Ĺ Ě ┐‰ó Ú§ æ ┐ΘÁŸ ˆ ∫ æ Õð ┐Ĺ ř Ě ╗Ĺ ř Ě ┐À” Φ┐øÎ ┐≠ ÐÚÁó § Ú≠ © ┐�ÁŸ ” ┐Úæ ≠ ┐
ø ” ó ∫ ≠ ř ┐ æ ø Î ┐§ ó ‰Úˆ Á≠ Î ┐Î ˆ ÁÁŸ ˆ ‘ © ø ‘ ∫ ┐§ Ÿ ‘ Ú≠ Ð ÚŚ┐‘ Ÿ Ú┐…ˆ Î Ú┐ó ┐Î ø ‘ ∫ Õ≠ ┐‰ø Ð ≠ Õř
• i ó Ú§ æ ≠ Î ┐ó Á≠ ┐Á≠ Î æ ó ‰≠ ©┐ÚŸ┐æ ó ł ≠ ┐§ æ ó ‘ ‘ ≠ ÕÎ ┐Õó Î Ú┐ΘÎ Úó ‘ ©ó Á©┐ø‘ ‰ˆ Ú┐�ŸÁ” ó Ú┐�ŸÁ┐ ≠ ‘ Î ŸÁ? ÕŸŠ ┐
” Ÿ © ≠ ÕÎ Φř
• æ ≠ ┐� @ * ┐ł ó Õˆ ≠ ┐� ÁŸ ” ┐Úæ ≠ ┐@ 4 0 E┐Úó £ Õ≠ ┐ø Î ┐ˆ Î ≠ © ┐ó Î ┐Úæ ≠ ┐Úó Á∫ ≠ Ú┐� Ÿ Á┐Úæ ≠ ┐§ Ÿ ÁÁ≠ Î ‰Ÿ ‘ © ø ‘ ∫ ┐‰ó Ú§ æ ř
• E‘ ł ó Õø © ┐Î ó ” ‰Õ≠ Î ┐Θ≠ ř ∫ ř Ś┐Úæ Ÿ Î ≠ ┐� ó ÕÕø ‘ ∫ ┐Ÿ ˆ ÚÎ ø © ≠ ┐ø ” ó ∫ ≠ ┐£ Ÿ ˆ ‘ © Î ┐Ÿ Á┐§ Ÿ ‘ Úó ø ‘ ø ‘ ∫ ┐Y ó Y ┐ł ó Õˆ ≠ Î Φ┐ó Á≠ ┐
©øÎ § óÁ©≠©ř
3.4 Da ase Spli ing
• æ ≠ ┐© ó Úó Î ≠ Ú┐ø Î ┐Î ‰Õø Ú┐ø‘ ÚŸ ┐ÚÁó ø ‘ ø‘ ∫ ┐ó ‘ © ┐Ú≠ Î Úø ‘ ∫ ┐Î ˆ £ Î ≠ ÚÎ ┐Š ø Úæ ┐ó ‘ ┐Ľ ď ś Ę ď ┐Áó Úø Ÿ ř
• � ©©øÚøŸ‘ ó Õ┐Î ‰ÕøÚÚø‘ ∫ ┐ø‘ ÚŸ┐ł ó Õø©ó ÚøŸ‘ ┐©ó Úó ┐” ó ð ┐£ ≠ ┐‰≠ Á�ŸÁ” ≠ ©┐ø‘ Ú≠ Á‘ ó ÕÕð ┐©ˆ Áø‘ ∫ ┐ÚÁó ø‘ ø‘ ∫ ř
4. Model A chi ec u e and T aining
4.1 U- Ne Model S uc u e
U- Ne is a con olu ional neu al ne wo k a chi ec u e o iginally designed o image
segmen a ion. I is adap ed he e o eg ession asks, allowing he ne wo k o lea n spa ial
pa e ns and con ex a ound GEDI poin s.
• E‘‰ˆÚś┐ĹĚ╗ĹĚ╗‘ⁿ£ó‘©Î┐Ú≠‘ΟÁ
• 4 ‘ § Ÿ©≠Áś ┐ æ Á≠ ≠ ┐§ Ÿ ‘ ł Ÿ Õˆ Úø Ÿ ‘ ó Õ┐£ ÕŸ § ÀÎ Ś┐≠ ó § æ ┐� Ÿ ÕÕŸ Š ≠ © ┐£ ð ┐” ó Ð τ‰ŸŸÕø‘ ∫ ┐ÚŸ┐Á≠©ˆ § ≠┐Î ‰óÚøóÕ┐
©ø” ≠ ‘ Î øŸ‘ Î
• *ŸÚÚÕ≠‘ ≠§Àś ┐ Š Ÿ ┐§ Ÿ ‘ ł Ÿ Õˆ Úø Ÿ ‘ ó Õ┐Õó ð ≠ ÁÎ ┐Š ø Úæ ┐ĐĘ Ľ ┐Ă ÕÚ≠ ÁÎ ┐≠ ó § æ
• 0≠§Ÿ©≠Áś ┐ Š Ÿ ┐ˆ ‰Î ó ” ‰Õø‘ ∫ ┐Õó ð ≠ ÁÎ Ś┐≠ ó § æ ┐§ Ÿ ‘ § ó Ú≠ ‘ ó Ú≠ © ┐Š øÚæ ┐≠ ó ÁÕø≠ Á┐≠ ‘ § Ÿ © ≠ Á┐Ÿ ˆ Ú‰ˆ ÚÎ ┐ÚŸ ┐
‰Á≠Î≠Áł ≠┐ΉóÚøóÕ┐�≠óÚˆ Á≠Î
• ^ ˆ Ú‰ˆ Úś┐@ÕŸ£ óÕ┐ół ≠Áó∫ ≠┐‰ŸŸÕø‘ ∫ ┐�ŸÕÕŸŠ ≠©┐£ð┐ó┐Î ø‘ ∫ Õ≠┐©≠‘ Î ≠┐‘ ≠ˆ ÁŸ‘ ┐Š øÚæ┐Õø‘ ≠óÁ┐
ó§ÚøłóÚøŸ‘┐�ŸÁ┐§Ÿ‘Úø‘ˆŸˆÎ┐ŸˆÚ‰ˆÚ
4.2 Compila ion and T aining
• ^ ‰Úø” ø× ≠ Áś ┐� © ó ” ┐Ÿ ‰Úø ” ø × ≠ Á┐ø Î ┐ˆ Î ≠ © ┐� Ÿ Á┐∫ Áó © ø ≠ ‘ Úτ£ ó Î ≠ ©┐Ÿ‰Úø” ø×ó ÚøŸ‘ ř
• RŸÎ Î ┐? ˆ ‘ § ÚøŸ‘ ś┐X ≠ ó ‘ ┐p Ê ˆ ó Á≠ ©┐4 ÁÁŸÁ┐ΘX p 4 Φ┐” ≠ ó Î ˆ Á≠ Î ┐‰Á≠ ©ø§ ÚøŸ‘┐󧧈Áó§ð┐©ˆÁø‘∫┐
ÚÁóø‘ø‘∫ř
• 4 ł ó Õˆ ó ÚøŸ‘ ┐X ≠ ÚÁø§ ś ┐X ≠ ó ‘ ┐� £ Î Ÿ Õˆ Ú≠ ┐4 ÁÁŸ Á┐ΘX � 4 Φ┐ø Î ┐ˆ Î ≠ © ┐� Ÿ Á┐Á≠ ‰Ÿ ÁÚø ‘ ∫ ┐‰≠ Á� Ÿ Á” ó ‘ § ≠ ř
• Áó ø‘ ø‘ ∫ ┐+ Ÿ‘ Ă∫ ˆ Áó ÚøŸ‘ ś ┐X Ÿ © ≠ Õ┐øÎ ┐ÚÁó ø‘ ≠ © ┐� Ÿ Á┐Ę ď ┐≠ ‰Ÿ § æ Î ┐ˆ Î ø‘ ∫ ┐ó ┐£ ó Ú§ æ ┐Î ø× ≠ ┐Ÿ � ┐ĐĹ ┐ó ‘ © ┐ó ┐
ł ó Õø © ó Úø Ÿ ‘ ┐Î ‰Õø Ú┐Ÿ � ┐ď ř Ę ┐� ÁŸ ” ┐Úæ ≠ ┐ÚÁó ø ‘ ø ‘ ∫ ┐© ó Úó ř
• 4 ó ÁÕð ┐Î ÚŸ ‰‰ø‘ ∫ ┐Ÿ Á┐Õ≠ ó Á‘ ø ‘ ∫ ┐Áó Ú≠ ┐Î § æ ≠ © ˆ Õø ‘ ∫ ┐” ó ð ┐£ ≠ ┐ó © © ≠ © ┐ÚŸ ┐ø ” ‰ÁŸ ł ≠ ┐§ Ÿ ‘ ł ≠ Á∫ ≠ ‘ § ≠ ř
5. E alua ion and Ou pu
A e aining, he model is e alua ed on he es da ase . P edic ions a e plo ed agains he
e e ence AGB alues om GEDI.
• p§óÚÚ≠Á┐i ÕŸÚś┐Ü ø Î ˆ ó Õ┐§ Ÿ ” ‰ó Áø Î Ÿ ‘ ┐Ÿ � ┐‰Á≠ © ø § Ú≠ © ┐ł Î ř ┐ÚÁˆ ≠ ┐� @ *
• pÚóÚøÎÚø§óÕ┐4łóÕˆ óÚøŸ‘ ś ┐l Ň┐Θ§ Ÿ ≠ � Ă § ø ≠ ‘ Ú┐Ÿ � ┐© ≠ Ú≠ Á” ø‘ ó Úø Ÿ ‘ Φ┐ó ‘ © ┐X � 4 ┐ó Á≠ ┐§ Ÿ ” ‰ˆ Ú≠ ©
• X Ÿ©≠Õ┐4 ЉŸÁÚś ┐ æ ≠ ┐ÚÁó ø ‘ ≠ © ┐” Ÿ © ≠ Õ┐ø Î ┐Î ó ł ≠ © ┐ø ‘ ┐D 0 ? ě ┐� Ÿ Á” ó Ú
• 0óÚó┐4ЉŸÁÚś ┐ æ ≠ ┐‰ÁŸ § ≠ Î Î ≠ © ┐© ó Úó Î ≠ Ú┐§ ó ‘ ┐£ ≠ ┐Î ó ł ≠ © ┐ó Î ┐ř ‘ ‰× ┐Ÿ Á┐Ÿ Úæ ≠ Á┐� Ÿ Á” ó ÚÎ ┐� Ÿ Á┐Á≠ ˆ Î ≠ ┐
Ÿ Á┐ÚÁó ‘ Î �≠ Á┐Õ≠ ó Á‘ ø‘ ∫
This phase allows o diagnos ics o de ec o e i ing, unde i ing, o da a imbalance.
Addi ional alida ion could include spa ial c oss - alida ion o boo s apping.
6. Conclusion
The combina ion o GEDI’s biomass e e ence da a and Landsa ’s consis en mul ispec al
image y enables p ac ical AGB es ima ion using deep lea ning. The app oach desc ibed he e
is ep oducible, cloud - based, and scalable, making i sui able o ope a ional moni o ing and
esea ch pu poses.
REQUIRED EQUIPMENT AND DATA
Compu ing En i onmen
• @ŸŸ∫ Õ≠┐4óÁÚæ┐4‘ ∫ ø‘ ≠┐Θ@44Φś
ο z Î ≠ © ┐�Ÿ Á┐ó § § ≠ Î Î ø‘ ∫ Ś┐Ă ÕÚ≠ Áø‘ ∫ Ś┐ó ‘ © ┐‰ÁŸ § ≠ Î Î ø‘ ∫ ┐Î ó Ú≠ ÕÕøÚ≠ ┐ø” ó ∫ ≠ Áð ┐ΘR ó ‘ © Î ó ÚŚ┐@ 4 0 EŚ┐
pl XΦ
ο l ≠ Ê ˆ ø Á≠ Î ┐ó ┐� Á≠ ≠ ┐4 ó ÁÚæ ┐4 ‘ ∫ ø ‘ ≠ ┐ó § § Ÿ ˆ ‘ Ú
• @ŸŸ∫ Õ≠ ┐+ ŸÕó £ ś
ο + ÕŸ ˆ © τ£ ó Î ≠ © ┐i ð Úæ Ÿ ‘ ┐≠ ‘ ł ø ÁŸ ‘ ” ≠ ‘ Ú┐Θ� Á≠ ≠ ┐@ i z Î ┐ó ł ó ø Õó £ Õ≠ Φ
ο z Î ≠ © ┐� Ÿ Á┐‰ó Ú§ æ ┐≠ Ð ÚÁó § Úø Ÿ ‘ Ś┐© ≠ ≠ ‰┐Õ≠ ó Á‘ ø ‘ ∫ ┐” Ÿ © ≠ Õ┐ÚÁó ø ‘ ø ‘ ∫ Ś┐ó ‘ © ┐≠ ł ó Õˆ ó Úø Ÿ ‘
• @ŸŸ∫ Õ≠┐0Áøł ≠ś
ο z Î ≠ © ┐�Ÿ Á┐ø‘ Ú≠ Á” ≠ © øó Ú≠ ┐© ó Úó ┐Î ÚŸ Áó ∫ ≠ ┐Θ≠ ř∫ řŚ┐≠ ЉŸ ÁÚø‘ ∫ ┐+ p Ü Î ┐ó ‘ © ┐@≠ Ÿ E? ? Î ┐�ÁŸ ” ┐
@44Φ
ο E‘ Ú≠ ∫ Áó Ú≠ © ┐© ø Á≠ § ÚÕð ┐Š ø Úæ ┐£ Ÿ Úæ ┐@ 4 4 ┐ó ‘ © ┐+ Ÿ Õó £
No local ins alla ion o ha dwa e i s needed beyond a web b owse and in e ne access.
Sou ce
Da ase
Pu pose
GEDI LARSE/GEDI/GEDI04_A_002 (L4A p oduc )
Biomass e e ence alues (
agb
) o
aining
Landsa 8 &
9
LANDSAT/LC08/C02/T1_L2
,
LANDSAT/LC09/C02/T1_L2
Su ace e lec ance (Bands B1–B7)
SRTM DEM
USGS/SRTMGL1_003
Ele a ion, ans o med and scaled
APPLICATIONS AND EXTENSIONS
This me hod enables AGB mapping using only publicly a ailable sa elli e da a and
compu a ional ools. Applica ions include:
• ? ŸÁ≠Î Ú┐+ ó Á£ Ÿ‘ ┐X Ÿ‘ øÚŸÁø‘ ∫ ś┐4 Î Úø ” ó Úø ‘ ∫ ┐£ ø Ÿ ” ó Î Î ┐ó Î ┐ó ┐‰ÁŸ Ð ð ┐� Ÿ Á┐§ ó Á£ Ÿ ‘ ┐Î ÚŸ Áó ∫ ≠
• Ró‘©┐zÎ≠┐+æó‘∫≠┐0≠Ú≠§ÚøŸ‘ś┐^ £ Î ≠ Áł ø ‘ ∫ ┐§ æ ó ‘ ∫ ≠ Î ┐ø ‘ ┐� Ÿ Á≠ Î Ú┐Î ÚÁˆ § Úˆ Á≠ ┐Ÿ ł ≠ Á┐Úø ” ≠
• 4 § Ÿ Î ð Î Ú≠ ” ┐i ÁŸ © ˆ § Úøł øÚð ś┐R ø ‘ À ø ‘ ∫ ┐£ ø Ÿ ” ó Î Î ┐≠ Î Úø ” ó Ú≠ Î ┐Š ø Úæ ┐‰ÁŸ © ˆ § Úø ł ø Úð ┐” Ÿ © ≠ ÕÎ
• 0≠�ŸÁ≠ÎÚóÚøŸ‘ ┐� ÎÎ≠ÎΔ ≠‘ Úś┐E© ≠ ‘ Úø � ð ø‘ ∫ ┐ó Á≠ ó Î ┐Š ø Úæ ┐Î æ ó Á‰┐£ øŸ” óÎÎ┐ÕŸÎÎ
Fu he ex ensions include:
• E‘Ú≠∫ÁóÚøŸ‘┐ŠøÚæ┐p≠‘Úø‘≠ÕτĘ ┐Ÿ Á┐i Õó ‘ ≠ Úp § Ÿ ‰≠ ┐ø ” ó ∫ ≠ Áð ┐� Ÿ Á┐Ă ‘ ≠ Á┐Á≠ Î Ÿ Õˆ Úø Ÿ ‘
• ø” ≠ τÎ≠Áø≠Î┐ó‘óÕðÎøÎ┐£ð┐ˆÎø‘∫┐” ˆÕÚøτð≠óÁ┐§ Ÿ” ‰ŸÎ øÚ≠Î
• ≠ Î Úø‘ ∫ ┐© ø � � ≠ Á≠ ‘ Ú┐ó Á§ æ ø Ú≠ § Úˆ Á≠ Î ┐Î ˆ § æ ┐ó Î ┐l ≠ Î Y ≠ Ú┐Ÿ Á┐4 � Ă § ø ≠ ‘ ÚY ≠ Ú┐� Ÿ Á┐Á≠ ∫ Á≠ Î Î ø Ÿ ‘
• � ‰‰Õð ø‘ ∫ ┐” Ÿ © ≠ ÕÎ ┐ÚŸ ┐‘ ≠ Š ┐Á≠ ∫ ø Ÿ ‘ Î ┐Úæ ÁŸ ˆ ∫ æ ┐ÚÁó ‘ Î � ≠ Á┐Õ≠ ó Á‘ ø ‘ ∫
CONSIDERATIONS AND LIMITATIONS
• @40E┐+Ÿł ≠Áó∫ ≠ś┐@ 4 0 E┐‰ÁŸ ł ø© ≠ Î ┐Î ‰ó ÁÎ ≠ ┐” ≠ ó Î ˆ Á≠ ” ≠ ‘ ÚÎ ┐ó ‘ © ┐© Ÿ ≠ Î ┐‘ Ÿ Ú┐Ÿ � � ≠ Á┐Š ó ÕÕτÚŸ τŠ ó ÕÕ┐
§ Ÿ ł ≠ Áó ∫ ≠ ř ┐ æ ø Î ┐Õø ” ø ÚÎ ┐Úæ ≠ ┐Î ‰ó Úø ó Õ┐© ≠ ‘ Î ø Úð ┐Ÿ � ┐ÚÁó ø ‘ ø ‘ ∫ ┐© ó Úó ř
• ≠” ‰ŸÁóÕ┐� Õø∫‘” ≠‘Úś┐0 ø � � ≠ Á≠ ‘ § ≠ Î ┐ø ‘ ┐ó § Ê ˆ ø Î ø Ú ø Ÿ ‘ ┐© ó Ú≠ Î ┐£ ≠ ÚŠ ≠ ≠ ‘ ┐@ 4 0 E┐ó ‘ © ┐R ó ‘ © Î ó Ú ┐© ó Ú ó ┐
§ Ÿˆ Õ©┐ø‘ ÚÁŸ©ˆ § ≠┐≠ÁÁŸÁÎ ř
• + ÕŸ ˆ © ┐ó ‘ © ┐p æ ó © Ÿ Š ┐l ≠ Î ø © ˆ ó ÕÎ ś ┐0 ≠ Î ‰ø Ú≠ ┐k � ┐” ó Î À ø ‘ ∫ Ś┐Î Ÿ ” ≠ ┐Á≠ Î ø © ˆ ó Õ┐§ ÕŸ ˆ © Î ┐” ó ð ┐Á≠ ” ó ø ‘ ┐
ø ‘ ┐Úæ ≠ ┐§ Ÿ ” ‰Ÿ Î ø Ú≠ ř
• XŸ©≠Õ┐@≠‘ ≠ÁóÕø×óÚøŸ‘ ś┐ æ≠┐ÚÁóø‘ ≠©┐” Ÿ©≠Õ┐” óð┐‘ ≠≠©┐Á≠§óÕø£ÁóÚøŸ‘ ┐£≠�ŸÁ≠┐ó ‰‰Õð ø‘ ∫ ┐ÚŸ ┐
‘ ≠ Š ┐≠ § Ÿ ÕŸ ∫ ø § ó Õ┐× Ÿ ‘ ≠ Î ř
• l ≠ Î Ÿ Õˆ ÚøŸ ‘ ┐X øÎ ” ó Ú§ æ ś┐@ 4 0 E┐� Ÿ Ÿ Ú‰Áø ‘ Ú Î ┐ó Á≠ ┐Ę ě ┐” ┐ø ‘ ┐© ø ó ” ≠ Ú ≠ ÁŚ┐Š æ ø Õ≠ ┐R ó ‘ © Î ó Ú ┐ó ‘ © ┐© ≠ Áø ł ≠ © ┐
‰ó Ú§ æ ≠ Î ┐ó Á≠ ┐Á≠ Î ó ” ‰Õ≠ © ┐ÚŸ ┐Đď ď ┐” ř
SOURCES
Deng, Y., Pan, J., Wang, J., Liu, Q., & Zhang, J. (2022). Mapping o o es biomass in Shang i- La
Ci y based on LiDAR echnology and o he emo e sensing da a.
Remo e Sensing
,
14
(22), 5816. h ps://doi.o g/10.3390/ s14225816
Jiang, F., Deng, M., Tang, J., Fu, L., & Sun, H. (2022). In eg a ing spacebo ne LiDAR and Sen inel -
2 images o es ima e o es abo eg ound biomass in No he n China.
Ca bon Balance
and Managemen
,
17
(1). h ps://doi.o g/10.1186/s13021- 022 - 00212- y
Ko á ník, R., & Jano á, J. (2025). Valida ion o sen inel 2 based machine lea ning models o
Czech Na ional Fo es In en o y.
Ecological In o ma ics
, 103133.
h ps://doi.o g/10.1016/j.ecoin .2025 .103133
Lahssini, K., Baghdadi, N., Mai e, G. L., & Fayad, I. (2022). In luence o GEDI Acquisi ion and
P ocessing Pa ame e s on Canopy Heigh Es ima es o e T opical Fo es s.
Remo e
Sensing
,
14
(24), 6264. h ps://doi.o g/10.3390/ s14246264
Mohi e, J., Sawan , S., Pandi , A., Sakkan, M., Pappula, S., & Pa ma , A. (2024). Fo es
abo eg ound biomass es ima ion by GEDI and mul i - sou ce EO da a usion o e Indian
o es .
In e na ional Jou nal o Remo e Sensing
,
45
(4), 1304 –1338.
h ps://doi.o g/10.1080/01431161.2024.2307944
Sandamali, J., & Na ine, L. L. (2025). A da a - d i en, cloud - based app oach o o es
abo eg ound biomass mapping usin g GEDI and o he ea h obse a ion da a: an
eco egion - speci ic In es iga ion ac oss he s a e o Alabama, USA.
Geoca o
In e na ional
,
40
(1). h ps://doi.o g/10.1080/10106049.2025.2465446
Singha, C., Swain, K. C., Sahoo, S., Al- Qu aishi, A. M. F., Alao, J. O., Almohamad, H., Ahmed, M. F.
M., & Abdo, H. G. (2025). P edic ing o es abo e - g ound biomass using SAR image y
and GEDI da a h ough machine lea ning in GEE cloud.
Fo es Science and Tec hnology
,
1–20. h ps://doi.o g/10.1080/21580103.2025.2481122
Zhang, B., Wang, Z., Ma, T., Wang, Z., Li, H., Ji, W., He, M., Jiao, A., & Feng, Z. (2025). Co ec ing
o es abo eg ound biomass biases by inco po a ing independen canopy heigh
e ie al wi h con en ional machine lea ning models using GEDI and ICESa - 2 da a.
Ecological In o ma ics
, 103045. h ps://doi.o g/10.1016/j.ecoin .2025.103045
Zu qani, H. A. (2025). A mul i - sou ce app oach combining GEDI LiDAR, sa elli e da a, and
machine lea ning algo i hms o es ima ing o es abo eg ound biomass on Google
Ea h engine pla o m.
Ecological In o ma ics
, 103052.
h ps://doi.o g/10.1016/j.ecoin .2025.103052
Ci a ion: Toma, A; C ijano ic, D; Tschiko , M; Sc ieciu, A (2025) ABOVE- GROUND C- STOCK
ESTIMATES USING LIDAR, SPECTRAL INDICES AND ELEVATION DATA. Res o e4Li e P o ocol.
Doi: 10.5281/zenodo.17703465
