Retrieving crown leaf area index from an individual tree using ground-based lidar data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Light detection and ranging (lidar) sensors, both at the terrestrial and airborne levels, have recently emerged as useful tools for three-dimensional (3D) reconstruction of vegetated environments. One such terrestrial laser scanner (TLS) is the Intelligent Laser Ranging and Imaging System (ILRIS-3D). The objective of this research was to develop approaches to use ILRIS-3D data to retrieve structural information of an artificial tree in a controlled laboratory experiment. The key crown-level structural parameters investigated in this study were gap fraction, leaf area index (LAI), and clumping index. Measured XYZ point cloud data from a systematically pruned tree were sliced to retrieve laser pulse return density profiles, which subsequently were used to estimate gap fraction, LAI, and clumping index. Gap fraction estimates were cross-validated with traditional methods of histogram thresholding of digital photographs (r2 = 0.95). LAI estimates from lidar data were corrected for the confounding effects of woody material and nonrandom foliage distribution and then compared with direct LAI measurements (r2 = 0.98, RMSE = 0.26). The methods developed in this research provide valuable lessons for application to field-level TLS data for structural parameter retrievals. Successful demonstration of analysis protocols to extract crown-level structural parameters like gap fraction, LAI, and clumping index from TLS data will be important for detailed assessments of 3D canopy radiative transfer modeling and likely will lead to more robust inversion algorithms.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle