Characterizing the Height Structure and Composition of a Boreal Forest Using an Individual Tree Crown Approach Applied to Photogrammetric Point Clouds
Notice bibliographique
Résumé
Photogrammetric point clouds (PPC) obtained by stereomatching of aerial photographs now have a resolution sufficient to discern individual trees. We have produced such PPCs of a boreal forest and delineated individual tree crowns using a segmentation algorithm applied to the canopy height model derived from the PPC and a lidar terrain model. The crowns were characterized in terms of height and species (spruce, fir, and deciduous). Species classification used the 3D shape of the single crowns and their reflectance properties. The same was performed on a lidar dataset. Results show that the quality of PPC data generally approaches that of airborne lidar. For pixel-based canopy height models, viewing geometry in aerial images, forest structure (dense vs. open canopies), and composition (deciduous vs. conifers) influenced the quality of the 3D reconstruction of PPCs relative to lidar. Nevertheless, when individual tree height distributions were analyzed, PPC-based results were very similar to those extracted from lidar. The random forest classification (RF) of individual trees performed better in the lidar case when only 3D metrics were used (83% accuracy for lidar, 79% for PPC). However, when 3D and intensity or multispectral data were used together, the accuracy of PPCs (89%) surpassed that of lidar (86%).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».