Retrieving crown leaf area index from an individual tree using ground-based lidar data
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».