MétaCan
Menu
Retour à la cohorte
Enregistrement W2169141284 · doi:10.5589/m05-016

Accuracy of an IFSAR-derived digital terrain model under a conifer forest canopy

2005· article· en· W2169141284 sur OpenAlexvenueno aff
Hans‐Erik Andersen, Stephen E. Reutebuch, Robert J. McGaughey

Notice bibliographique

RevueCanadian Journal of Remote Sensing · 2005
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTerrainRemote sensingElevation (ballistics)Digital elevation modelCanopyMean squared errorInterferometric synthetic aperture radarEnvironmental sciencePhotogrammetrySynthetic aperture radarTree canopyGeographyCartographyMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

AbstractAccurate digital terrain models (DTMs) are necessary for a variety of forest resource management applications, including watershed management, timber harvest planning, and fire management. Traditional methods for acquiring topographic data typically rely on aerial photogrammetry, where measurement of the terrain surface below forest canopy is difficult and error prone. The recent emergence of airborne P-band interferometric synthetic aperture radar (IFSAR), a high-resolution, microwave remote sensing technology, has the potential to provide significantly more accurate terrain models in forested areas. Low-frequency, P-band radar energy physically penetrates through the vegetation canopy and reflects from the underlying terrain surface, allowing for accurate measurement of the terrain surface elevation even in areas with dense forest cover. In this study, the accuracy of a high-resolution DTM derived from P-band IFSAR data collected over a mountainous forest area in western Washington State was rigorously evaluated through a comparison with 347 topographic checkpoints measured with total station survey equipment and collected under a variety of canopy densities. The mean DTM error was –0.28 ± 2.59 m (mean ± standard deviation), and the root mean squared error (RMSE) was 2.6 m. DTM elevation errors for four canopy cover classes were –0.67 ± 1.20 m (RMSE = 1.38 m) for clearcut, –0.62 ± 1.00 m (RMSE = 1.18 m) for heavily thinned, –0.41 ± 2.32 m (RMSE = 2.36 m) for lightly thinned, and 0.20 ± 3.31 m (RMSE = 3.32 m) for uncut.Les modèles numériques d'altitude (MNA) précis sont nécessaires pour une variété d'applications dans la gestion des ressources forestières, incluant la gestion des bassins versants, la planification des opérations de coupe et la gestion des incendies de forêt. Les méthodes traditionnelles d'acquisition de données topographiques s'appuient généralement sur la photogrammétrie aérienne, où les mesures de la surface du terrain sous le couvert forestier est difficile et sujette aux erreurs. L'émergence récente des données interférométriques radar aéroporté à synthèse d'ouverture en bande P (IFSAR), une technologie de télédétection micro-onde à haute résolution, pourrait fournir des modèles d'altitude significativement plus précis dans les zones forestières. L'énergie à basse fréquence du radar en bande P pénètre physiquement à travers le couvert de végétation et est réfléchie par la surface sous-jacente du terrain permettant la mesure précise de l'altitude à la surface du terrain, même dans les zones de couvert forestier dense. Dans cette étude, la précision d'un MNA à haute résolution dérivé des données IFSAR en bande P acquises au-dessus d'une zone forestière montagneuse dans l'ouest de l'état de Washington a été évaluée de façon rigoureuse par le biais d'une comparaison avec 347 points de contrôle topographiques mesurés à l'aide d'équipement de levés par station totale et collectées pour une variété de densités de couvert. L'erreur moyenne au niveau du MNA était de –0,28 ± 2,59 m (moyenne ± ET) et l'erreur quadratique (RMSE) était de 2,6 m. Les erreurs d'altitude du MNA pour quatre classes de couvert étaient: coupes à blanc –0,67 ± 1,20 m (RMSE = 1,38 m), éclaircies fortes –0,62 ± 1,00 m (RMSE = 1,18 m), éclaircies légères –0,41 ± 2,32 m (RMSE = 2,36 m) et zones non coupées 0,20 ± 3,31 m (RMSE = 3,32 m).[Traduit par la Rédaction]

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,843
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,240
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Remote SensingMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207