Analysis on the Use of Multiple Returns LiDAR Data for the Estimation of Tree Stems Volume
Notice bibliographique
Résumé
Small footprint Light Detection and Ranging (LiDAR) data have been shown to be a very accurate technology to predict stem volume. In particular, most recent sensors are able to acquire multiple return (more than 2) data at very high hit density, allowing one to have detailed characterization of the canopy. In this paper, we utilize very high density ( >8 hits per m2) LiDAR data acquired over a forest stand in Italy. Our approach was as follows: Individual trees were first extracted from the LiDAR data and a series of attributes from both the first, and non-first (multiple), hits associated with each crown were then extracted. These variables were then correlated with ground truth individual estimates of stem volume. Our results indicate that: (i) non-first returns are informative for the estimation of stem volume (in particular the second return); (ii) some attributes (e.g.,maximum at the power of n) better emphasize the information content of returns different from the first respect to other metrics (e.g.,minimum,mean); and (iii) the combined use of variables belonging to different returns slightly increases the overall model accuracy. Moreover, we found that the best model for stem volume estimation (adj - R2= 0.77, P < 0.0001, SE = 0.06) comprised four variables belonging to three returns (first, second, and third). The results of this analysis are important as they underline the effectiveness of the use of multiple return LiDAR data, underling the connection between LiDAR hits different from the first and tree structure and characteristics.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».