Accuracy of an IFSAR-derived digital terrain model under a conifer forest canopy
Notice bibliographique
Résumé
Accurate 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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».