Enriching ALS-Derived Area-Based Estimates of Volume through Tree-Level Downscaling
Notice bibliographique
Résumé
Information on individual tree attributes is important for sustainable management of forest stands. Airborne Laser Scanning (ALS) point clouds are an excellent source of information for predicting a range of forest stand attributes, with plot and single tree volume being among the most important. Two approaches exist for estimating volume: area-based approach (ABA) and individual tree detection (ITD). The ABA is now routinely applied in operational forestry applications, and results in generalized plot- or stand-level attribute predictions. Alternatively, ITD-based estimates provide detailed information for individual trees, but are typically biased due to challenges associated with individual tree detection. In this study, we applied an ABA to estimate tree counts and individual tree volumes by downscaling plot-level predictions of total volume derived using ALS data in a highly productive and complex coastal temperate forest environment in British Columbia, Canada, characterized by large volumes and multi-species and multi-age stand structures. To do so, a two-parameter Weibull probability density function (PDF) was used to describe the within-plot tree volume distribution. The ABA approach was then used to model the total plot volume and the two Weibull PDF parameters. Next, the parameters were used to calculate mean tree volume and derive the number of trees and the individual tree volume distribution. Tree count estimates were minimally biased with RMSE of 149 trees·ha−1 or 24.4%. The volume distributions showed good agreement with reference data (mean Reynold’s error index = 71.7). We conclude that the approach was suitable for enriching ABA-derived forest stand attributes in the majority of the studied forest stands; however the accuracy was lower in multi-layered stands that had a multimodal individual tree volume distribution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».