Shrub characterization using terrestrial laser scanning and implications for airborne LiDAR assessment
Notice bibliographique
Résumé
AbstractSagebrush-steppe ecosystems across the United States Intermountain West are experiencing major structural and functional changes. Scientists and managers need effective technologies to understand such dynamic changes across broad spatial scales. We tested the capacity of terrestrial laser scanning (TLS) to automatically determine structural information of individual shrubs (principally Artemisia tridentata) and shrub canopies in eastern Washington, USA. Because current airborne LiDAR systems have technological constraints that may limit their utility in shrub-dominated ecosystems, we used the TLS data both in their basic form and to simulate high resolution discrete-return airborne LiDAR data with sample densities of 4 and 16 points m−2. Through spatial wavelet analysis we automatically detected the locations of up to 78% of all individual shrubs identified in the field and up to 88% of shrubs with a crown diameter > 1.5 m. Shrub height and canopy cover derived from TLS data were significantly correlated with field measurements (respectively, r2 = 0.94 and 0.51, p < 0.001, α = 0.05). Automated detection of individual shrub crown area using the high resolution simulated airborne LiDAR dataset was also significantly correlated with field measurements (r2 = 0.47, p ≤ 0.01). Our results indicate that TLS data are useful for automatic quantification of shrub structure and provide a glimpse to the utility of the next generation of small-footprint airborne LiDAR instruments in quantifying shrub biophysical parameters across broad areas.Les écosystèmes de steppe à armoise sur l'ensemble de la région Intramontagneuse ouest des États-Unis sont soumis à des changements structurels et fonctionnels importants. Les scientifiques et les gestionnaires ont ainsi besoin de technologies efficaces pour comprendre de tels changements dynamiques à travers des échelles spatiales variées. On a testé le potentiel des données SLT (scanner laser terrestre) pour déterminer automatiquement l'information structurelle des arbustes individuels (principalement Artemisia tridentata) et des couverts d'arbustes dans l'est de l'état de Washington, aux États-Unis. Étant donné que les systèmes LiDAR aéroporté actuels présentent des contraintes technologiques qui peuvent limiter leur utilité dans les écosystèmes dominés par des arbustes, on a utilisé des données SLT dans leur forme initiale de même que pour simuler des données LiDAR aéroporté haute résolution à retour discret avec des densités d'échantillonnage de 4 et de 16 points m−2. Par le biais d'une analyse spatiale en ondelettes, on a détecté automatiquement la localisation de plus de 78% de tous les arbustes individuels identifiés sur le terrain et de plus de 88% des arbustes avec un diamètre de couronne > 1,5 m. La hauteur des arbustes et le couvert dérivés des données SLT étaient corrélés significativement avec les mesures au sol (r2 = 0,94 et 0,51, p < 0,001, α = 0,05 respectivement). La détection automatisée de la surface de la couronne des arbustes individuels utilisant l'ensemble des données simulées LiDAR aéroporté haute résolution était également significativement corrélée avec les mesures au sol (r2 = 0,47, p ≤ 0,01). Nos résultats montrent que les données SLT sont utiles pour la quantification automatique de la structure des arbustes et que celles-ci donnent un aperçu du potentiel de la prochaine génération d'instruments LiDAR aéroporté à faible empreinte pour la quantification des paramètres biophysiques des arbustes sur de grands espaces.[Traduit par la Rédaction] AcknowledgementsThe total station was generously loaned by A. Abdel-Rahim. We thank J. Cline, P. Shilpakar, A. Biholar, and N. Turinski for field and laboratory assistance. S. Bunting, A. Hudak, S. Martinuzzi, R. Robberecht, A. Smith, J. Hicke, K. Vierling, M. Wulder, H. Zhou, and two anonymous reviewers provided helpful discussions and comments that strengthened earlier versions of the manuscript. Partial funding for this project was provided by the University of Idaho Harold Heady Professorship in Rangeland Ecology, and Bureau of Land Management grant L08AC14585.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».