Comparing ALS and Image-Based Point Cloud Metrics and Modelled Forest Inventory Attributes in a Complex Coastal Forest Environment
Notice bibliographique
Résumé
Digital aerial photogrammetry (DAP) is emerging as an alternate data source to airborne laser scanning (ALS) data for three-dimensional characterization of forest structure. In this study we compare point cloud metrics and plot-level model estimates derived from ALS data and an image-based point cloud generated using semi-global matching (SGM) for a complex, coastal forest in western Canada. Plot-level estimates of Lorey’s mean height (H), basal area (G), and gross volume (V) were modelled using an area-based approach. Metrics and model outcomes were evaluated across a series of strata defined by slope and canopy cover, as well as by image acquisition date. We found statistically significant differences between ALS and SGM metrics for all strata for five of the eight metrics we used for model development. We also found that the similarity between metrics from the two data sources generally increased with increasing canopy cover, particularly for upper canopy metrics, whereas trends across slope classes were less consistent. Model outcomes from ALS and SGM were comparable. We found the greatest difference in model outcomes was for H (ΔRMSE% = 5.04%). By comparison, ΔRMSE% was 2.33% for G and 3.63% for V. We did not discern any corresponding trends in model outcomes across slope and canopy cover strata, or associated with different image acquisition dates.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».