Estimation of forest structure and canopy fuel parameters from small-footprint full-waveform LiDAR data
Notice bibliographique
Résumé
Precise knowledge of fuel conditions is important for predicting fire hazards and simulating fire growth and intensity across the landscape. We present a methodology to retrieve and map forest canopy fuel and other forest structural parameters using small-footprint full-waveform airborne light detection and ranging (LiDAR) data. Full-waveform LiDAR sensors register the complete returned backscattered signal through time and can describe physical properties of the intercepted objects. This study was undertaken in a mixed forest dominated by Douglas-fir, occasionally mixed with other conifers, in north-west Oregon (United States). We extracted two sets of LiDAR metrics using pulse detection and waveform modelling and then constructed several predictive models using forward stepwise multiple linear regression. The resulting models explained ~80% of the variability for many of the canopy fuel and forest structure parameters: aboveground biomass (R2 = 0.84), quadratic mean diameter (R2 = 0.82), canopy height (R2 = 0.79), canopy base height (R2 = 0.78) and canopy fuel load (R2 = 0.79). The lowest performing models included basal area (R2 = 0.76), stand volume (R2 = 0.73), canopy bulk density (R2 = 0.67) and stand density index (R2 = 0.66). Our results indicate that full-waveform LiDAR systems show promise in systematically characterising the structure and canopy fuel loads of forests, which may enable accurate fire behaviour forecasting that in turn supports the development of prevention and planning policies.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».