Using semi-global matching point clouds to estimate growing stock at the plot and stand levels: application for a broadleaf-dominated forest in central Europe
Notice bibliographique
Résumé
Dense image-based point clouds have great potential to accurately assess forest attributes such as growing stock. The objective of this study was to combine height and spectral information obtained from UltraCamXp stereo images to model the growing stock in a highly structured broadleaf-dominated forest (77.5 km 2 ) in southern Germany. We used semi-global matching (SGM) to generate a dense point cloud and subtracted elevation values obtained from airborne laser scanner (ALS) data to compute canopy height. Sixty-seven explanatory variables were derived from the point cloud and an orthoimage for use in the model. Two different approaches — the linear regression model (lm) and the random forests model (rf) — were tested. We investigated the impact that varying amounts of training data had on model performance. Plot data from a previously acquired set of 1875 inventory plots was systematically eliminated to form three progressively less dense subsets of 937, 461, and 226 inventory plots. Model evaluation at the plot level (size: 500 m 2 ) yielded relative root mean squared errors (RMSEs) ranging from 31.27% to 35.61% for lm and from 30.92% to 36.02% for rf. At the stand level (mean stand size: 32 ha), RMSEs from 14.76% to 15.73% for lm and from 13.87% to 14.99% for rf were achieved. Therefore, similar results were obtained from both modeling approaches. The reduction in the number of inventory plots did not considerably affect the precision. Our findings underline the potential for aerial stereo imagery in combination with ALS-based terrain heights to support forest inventory and management.
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 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 | 0,002 | 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 | 0,000 |
| 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 tête enseignante, 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 ».