Mapping California's Urban Forest at Scale: An Error-Adjusted Canopy Time Series for Monitoring Change
Diese Studie stellt ein skalierbares, fehlerkorrigiertes Deep-Learning-Framework zur Überwachung des städtischen Baumbestands in Kalifornien vor, das einen statistisch von null nicht unterscheidbaren landesweiten Rückgang von 2016 bis 2022 aufzeigt und hervorhebt, dass mehr als die Hälfte des städtischen Baumbestands auf privatem Wohngrundstück liegt, was die Notwendigkeit einer rigorosen Unsicherheitsabschätzung für eine genaue Politiküberwachung unterstreicht.