Automating Plot-Level Stem Analysis from Terrestrial Laser Scanning
Notice bibliographique
Résumé
Terrestrial laser scanning (TLS) provides an accurate means of analyzing individual tree attributes, and can be extended to plots using multiple TLS scans. However, multiple TLS scans may reduce the effectiveness of individual tree structure quantification, often due to understory occupation, mutual tree occlusion, and other influences. The procedure to delineate accurate tree attributes from plot scans involves onerous steps and automated integration is challenging in the literature. This study proposes a fully automatic approach composed of ground filtering, stem detection, and stem form extraction algorithms, with emphasis on accuracy and feasibility. The delineated attributes can be useful to analyze terrain, tree biomass and fiber quality. The automation was experimented on a mature pine plot in Finland with both single scan (SS) and multiple scans (MS) datasets. With mensuration as reference, digital terrain models (DTM), stem locations, diameters at breast height (DBHs), stem heights, and stem forms of the whole plot were extracted and validated. Results of this study were best using the multiple scans (MS) dataset, where 76% of stems were detected (n = 49). Height extraction accuracy was 0.68 (r2) and 1.7 m (RMSE), and DBH extraction accuracy was 0.97 (r2) and 0.90 cm (RMSE). Height-wise stem diameter extraction accuracy was 0.76 (r2) and 2.4 cm (RMSE).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 0,001 |
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 tête enseignante, 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 ».