Investigating the influence of LiDAR ground surface errors on the utility of derived forest inventories
Notice bibliographique
Résumé
Light detection and ranging, or LiDAR, effectively produces products spatially characterizing both terrain and vegetation structure; however, development and use of those products has outpaced our understanding of the errors within them. LiDAR’s ability to capture three-dimensional structure has led to interest in conducting or augmenting forest inventories with LiDAR data. Prior to applying LiDAR in operational management, it is necessary to understand the errors in LiDAR-derived estimates of forest inventory metrics (i.e., tree height). Most LiDAR-based forest inventory metrics require creation of digital elevation models (DEM), and because metrics are calculated relative to the DEM surface, errors within the DEMs propagate into delivered metrics. This study combines LiDAR DEMs and 54 ground survey plots to investigate how surface morphology and vegetation structure influence DEM errors. The study further compared two LiDAR classification algorithms and found no significant difference in their performance. Vegetation structure was found to have no influence, whereas increased variability in the vertical error was observed on slopes exceeding 30°, illustrating that these algorithms are not limited by high-biomass western coniferous forests, but that slope and sensor accuracy both play important roles. The observed vertical DEM error translated into ±1%–3% error range in derived timber volumes, highlighting the potential of LiDAR-derived inventories in forest 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 | 0,003 | 0,002 |
| 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 | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».