MétaCan
Menu
Retour à la cohorte
Enregistrement W2340280103 · doi:10.3390/f7040087

Deriving Merchantable Volume in Poplar through a Localized Tapering Function from Non-Destructive Terrestrial Laser Scanning

2016· article· en· W2340280103 sur OpenAlexaff
Yuan Sun, Xinlian Liang, Ziyu Liang, Clive Welham, Weizheng Li

Notice bibliographique

RevueForests · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesPriority Academic Program Development of Jiangsu Higher Education Institutions
Mots-clésPoint cloudVolume (thermodynamics)Forest inventoryTree (set theory)TaperingFunction (biology)Environmental scienceLaser scanningMathematicsStatisticsEcologyComputer scienceBiologyAgroforestryLaserForest managementPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

Timber volume is an important ecological component in forested landscapes. The application of terrestrial laser scanning (TLS) to volume estimation has been widely accepted though few species have well-calibrated taper functions. This research uses TLS technology in poplar (Populus × canadensis Moench cv. ‘I-72/58’) to extract stem diameter at different tree heights and establish the relationship between point cloud data and stem curve, which constitutes the basis for volume estimation of single trees and the stand. Eight plots were established and scanned by TLS. Stem curve functions were then fitted after extraction of diameters at different height, and tree heights from the point cloud data. Lastly, six functions were evaluated by R2 and RMSE. A modified Schumacher equation was the most suitable taper function. Volume estimates from the TLS-derived taper function were better than those derived using the stem-analysis data. Finally, regression analysis showed that predictions of stem size were similar when data were based on TLS versus stem analysis. Its high accuracy and efficiency indicates that TLS technology can play an important role in forest inventory assessment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,010
Tête enseignante GPT0,226
Écart entre enseignants0,216 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations51
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207