Mapping stand-level forest biophysical variables for a mixedwood boreal forest using lidar: an examination of scanning density
Notice bibliographique
Résumé
Light detection and ranging (lidar) is becoming an increasingly popular technology among scientists for the development of predictive models of forest biophysical variables. However, before this technology can be adopted with confidence for long-term monitoring applications in Canada, robust models must be developed that can be applied and validated over large and complex forested areas. This will require "scaling-up" from current models developed from high-density lidar data to low-density data collected at higher altitudes. This paper investigates the effect of lowering the average point spacing of discrete lidar returns on models of forest biophysical variables. Validation of results revealed that high-density models are well correlated with mean dominant height, basal area, crown closure, and average aboveground biomass (R2 = 0.84, 0.89, 0.60, and 0.91, respectively). Low-density models could not accurately predict crown closure (R2 = 0.36). However, they did provide slightly improved estimates for mean dominant height, basal area, and average aboveground biomass (R2 = 0.90, 0.91, and 0.92, respectively). Maps were generated and validated for the entire study area from the low-density models. The ability of low-density models to accurately map key biophysical variables is a positive indicator for the utility of lidar data for monitoring large forested areas.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 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 ».