Angle count sampling reliability as ground truth for area-based LiDAR applications in forest inventories
Notice bibliographique
Résumé
LiDAR-based techniques to estimate forest variables at the stand level require accurate calibration through ground truth data. One purpose of this study was to verify whether angle count samples can be used as suitable ground truth to calibrate LiDAR-based models for timber volume estimation. Volume data were acquired on the ground for 79 plots in the Latemar forest (province of Bolzano, Italian Alps). A simple linear regression model, using the sum of all of the tree canopy heights in the plot as the explanatory variable, was adopted. As angle count samples have no fixed area, three different methods to approximate their size were compared. The angle count sample area can be properly approximated by visual assessment of the tree size classes and by callipering the largest tree in the plot. The results show that angle count sampling can be an efficient solution to calibrate LiDAR-based models: they produced fair estimates at the plot level (relative root mean square error (RMSE), 26.6%) that were better than fixed-radius plot estimates with full callipering (RMSE, 29.7%). Estimate uncertainty at increasingly large forest stand areas was also calculated by means of a simulation procedure. It showed that low uncertainty (standard error of estimate = approximately 2%) could be reached at a forest compartment level (19 ha on average).
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 | 0,001 |
| Communication savante | 0,000 | 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 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 ».