ABOVE-GROUND C-STOCK ESTIMATES USING LIDAR, SPECTRAL INDICES AND ELEVATION DATA. Restore4Life Protocol

ABOVE-GROUND C-STOCK ESTIMATES USING LIDAR, SPECTRAL INDICES AND ELEVATION DATA Andrei Toma, GeoEcoMar Dus anka Cvija no vic , UNSPMF Mart in Ts c hikof, BOKU Unive rs it y Albert Scrieciu, GeoEcoMar GENERAL APPROACH This method describes a pipeline for estimating above-ground biomass (AGB) by combining lid a r-derived biomass estimates from the GEDI L4A product with optical and topographic features derived from Landsat 8/9 imagery and SRTM elevation data. GEDI provides footprint-level AGB values, which serve as ground-reference labels, while Landsat bands and spectral indices such as EVI, NDMI, and NDBI provide the spatially continuous input features. The workflow invo lve s d a t a ac q uis it ion a nd p re p a ra t ion us ing Goo gle Ea rt h Engine (GEE), where inputs are composited, normalized, and sampled, followed by model development in Google Colab using a U-Net convolutional neural network. This approach facilitates scalable b iom a s s e s t im at io n in a c loud -based environment, leveraging publicly available Earth observation data and open-source tools. METHOD DESCRIPTION 1. Data Sources 1.1 GEDI Data The GEDI Level 4A product provides biomass estimates at specific, non - contiguous locations along the orbital tr ack of the International Space Station. Each record corresponds to a 25 - meter diameter footprint 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 product is derived from GEDI waveform data and processed to provide estimates of biomass based on empirical models calibrated using field plots and reference datasets. These footprints, while sparse, offer valuable p oint -based references that can be used to train models when combined with broader satellite imagery. 1.2 Landsat Data Landsat 8 and 9 Surface Reflectance Tier 1 images are used as input features. These data are availab le glob ally at 30 -meter spatial resolut ion wit h a 16 -day revisit cycle (or 8 days for the p a ir). A o ne -year composite for e.g. 2023 is generated using bands B1 through B7. The QA_PIXEL band is used for cloud and shadow masking to retain only valid observations. 1.3 Spectral Indices and Elev ation To increase the predictive capability of the model, the following derived layers are 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 v 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 are computed using band algebra and normalized to a consistent range, ensuring compatibility across features and reducing scale-re lat e d b ia s e s in m od e l t ra ining. 2. Data Preparation in Google Earth Engine Go ogle Ea rt h Engine is used for efficient cloud-based processing and feature extraction. It allows access to vast geospatial datasets and offers functions to perform compositing, masking, and transformation operations at scale. 2.1 Image Preprocessing • 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 • v 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 Feature Augmentation • 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 • v æ ≠ ┐p l v 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 Export and Sampling • v 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 v 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 Development in Google Colab Google Colab is used for model development, offering a flexible Python environment with GPU support and integration with Google D rive. 3.1 Environment Setup • @ 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 Data Loading • v 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 • væ≠┐@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 Patch Extraction and Dataset Creation • 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 ┐v 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┐v ≠ ‘ Î ŸÁ? ÕŸŠ ┐ ” Ÿ © ≠ ÕÎ Φř • v 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 Dataset Splitting • v 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 Architecture and Training 4.1 UNet Model Structure UNet is a convolutional neural network architecture originally designed for image segmentation. It is adapted here for regression tasks, allowing the network to learn spatial patterns and context around GEDI points. • E‘‰ˆÚś┐ĹĚ╗ĹĚ╗‘ⁿ£ó‘©Î┐Ú≠‘ΟÁ • 4 ‘ § Ÿ©≠Áś ┐v 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 ┐v 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 ┐v 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 Compilation and Training • ^ ‰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 • vÁó 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. Evaluation and Output After training, the model is evaluated on the test dataset. Predictions are plotted against the reference AGB values from 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 ┐v æ ≠ ┐ÚÁó ø ‘ ≠ © ┐” Ÿ © ≠ Õ┐ø Î ┐Î ó ł ≠ © ┐ø ‘ ┐D 0 ? ě ┐� Ÿ Á” ó Ú • 0óÚó┐4ЉŸÁÚś ┐v 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 for diagnostics to detect overfitting, underfitting, or data imbalance. Additional validation could include spatial cross - validation or bootstrapping. 6. Conclusion The combination of GEDI’s biomass reference data and Landsat’s consistent multispectral imagery enables practical AGB estimation using deep learning. The approach described here is reproducible, cloud - based, and scalable, making it suitable for operational monitoring and research purposes. REQUIRED EQUIPMENT AND DATA Computing Environment • @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 vXΦ 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 v E? ? Î ┐�ÁŸ ” ┐ @44Φ ο E‘ Ú≠ ∫ Áó Ú≠ © ┐© ø Á≠ § ÚÕð ┐Š ø Úæ ┐£ Ÿ Úæ ┐@ 4 4 ┐ó ‘ © ┐+ Ÿ Õó £ No local installation or hardware i s needed beyond a web browser and internet access. Source Dataset Purpose GEDI LARSE/GEDI/GEDI04_A_002 (L4A product) Biomass reference values ( agb ) for training Landsat 8 & 9 LANDSAT/LC08/C02/T1_L2 , LANDSAT/LC09/C02/T1_L2 Surface reflectance (Bands B1–B7) SRTM DEM USGS/SRTMGL1_003 Elevation, transformed and scaled APPLICATIONS AND EXTENSIONS This method enables AGB mapping using only publicly available satellite data and computational tools. Applications 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 Further extensions 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 ‘ • v ø” ≠ τÎ≠Áø≠Î┐ó‘óÕðÎøÎ┐£ð┐ˆÎø‘∫┐” ˆÕÚøτð≠óÁ┐§ Ÿ” ‰ŸÎ øÚ≠Î • v ≠ 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 ┐v æ ø Î ┐Õø ” ø ÚÎ ┐Úæ ≠ ┐Î ‰ó Úø ó Õ┐© ≠ ‘ Î ø Úð ┐Ÿ � ┐ÚÁó ø ‘ ø ‘ ∫ ┐© ó Úó ř • v≠” ‰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┐væ≠┐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 of forest biomass in ShangriLa City based on LiDAR technology and other remote sensing data. Remote Sensing , 14 (22), 5816. https://doi.org/10.3390/rs14225816 Jiang, F., Deng, M., Tang, J., Fu, L., & Sun, H. (2022). Integrating spaceborne LiDAR and Sentinel - 2 images to estimate forest aboveground biomass in Northern China. Carbon Balance and Management , 17 (1). https://doi.org/10.1186/s13021022 - 00212y Kovárník, R., & Janová, J. (2025). Validation of sentinel 2 based machine learning models for Czech National Forest Inventory. Ecological Informatics , 103133. https://doi.org/10.1016/j.ecoinf.2025 .103133 Lahssini, K., Baghdadi, N., Maire, G. L., & Fayad, I. (2022). Influence of GEDI Acquisition and Processing Parameters on Canopy Height Estimates over Tropical Forests. Remote Sensing , 14 (24), 6264. https://doi.org/10.3390/rs14246264 Mohite, J., Sawant, S., Pandit, A., Sakkan, M., Pappula, S., & Parmar, A. (2024). Forest aboveground biomass estimation by GEDI and multi - source EO data fusion over Indian forest. International Journal of Remote Sensing , 45 (4), 1304 –1338. https://doi.org/10.1080/01431161.2024.2307944 Sandamali, J., & Narine, L. L. (2025). A data - driven, cloud - based approach for forest aboveground biomass mapping usin g GEDI and other earth observation data: an ecoregion - specific Investigation across the state of Alabama, USA. Geocarto International , 40 (1). https://doi.org/10.1080/10106049.2025.2465446 Singha, C., Swain, K. C., Sahoo, S., AlQuraishi, A. M. F., Alao, J. O., Almohamad, H., Ahmed, M. F. M., & Abdo, H. G. (2025). Predicting forest above - ground biomass using SAR imagery and GEDI data through machine learning in GEE cloud. Forest Science and Tec hnology , 1–20. https://doi.org/10.1080/21580103.2025.2481122 Zhang, B., Wang, Z., Ma, T., Wang, Z., Li, H., Ji, W., He, M., Jiao, A., & Feng, Z. (2025). Correcting forest aboveground biomass biases by incorporating independent canopy height retrieval with conventional machine learning models using GEDI and ICESat - 2 data. Ecological Informatics , 103045. https://doi.org/10.1016/j.ecoinf.2025.103045 Zurqani, H. A. (2025). A multi - source approach combining GEDI LiDAR, satellite data, and machine learning algorithms for estimating forest aboveground biomass on Google Earth engine platform. Ecological Informatics , 103052. https://doi.org/10.1016/j.ecoinf.2025.103052 Citation: Toma, A; Cvijanovic, D; Tschikof, M; Scrieciu, A (2025) ABOVEGROUND CSTOCK ESTIMATES USING LIDAR, SPECTRAL INDICES AND ELEVATION DATA. Restore4Life Protocol. Doi: 10.5281/zenodo.17703465