Imputation of Individual Longleaf Pine (<i>Pinus palustris</i>Mill.) Tree Attributes from Field and LiDAR Data
Notice bibliographique
Résumé
Light Detection and Ranging (LiDAR) has demonstrated potential for forest inventory at the individual-tree level. The aim in this study was to predict individual-tree height (Ht; m), basal area (BA; m2), and stem volume (V; m3) attributes, imputing Random Forest k-nearest neighbor (RF k-NN) and individual-tree-level-based metrics extracted from a LiDAR-derived canopy height model (CHM) in a longleaf pine (Pinus palustris Mill.) forest in southwestern Georgia, United States. We developed a new framework for modeling tree-level forest attributes that comprise 3 steps: (i) individual tree detection, crown delineation, and tree-level-based metrics computation from LiDAR-derived CHM; (ii) automatic matching of LiDAR-derived trees and field-based trees for a regression modeling step using a novel algorithm; and (iii) RF k-NN imputation modeling for estimating tree-level Ht, BA, and V and subsequent summarization of these metrics at the plot and stand levels. RMSDs for tree-level Ht, BA, and V were 2.96%, 58.62%, and 8.19%, respectively. Although BA estimation accuracy was poor because of the longleaf pine growth habitat, individual-tree locations, Ht, and V were estimated with high accuracy, especially in low-canopy-cover conditions. Future efforts based on the findings could help improve the estimation accuracy of individual-tree-level attributes such as BA.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».