An Alternative Approach to Using LiDAR Remote Sensing Data to Predict Stem Diameter Distributions across a Temperate Forest Landscape
Notice bibliographique
Résumé
We apply a spatially-implicit, allometry-based modelling approach to predict stem diameter distributions (SDDs) from low density airborne LiDAR data in a heterogeneous, temperate forest in Ontario, Canada. Using a recently published algorithm that relates the density, size, and species of individual trees to the height distribution of first returns, we estimated parameters that succinctly describe SDDs that are most consistent with each 0.25-ha LiDAR tile across a 30,000 ha forest landscape. Tests with independent validation plots showed that the diameter distribution of stems was predicted with reasonable accuracy in most cases (half of validation plots had R2 ≥ 0.75, and another 23% had 0.5 ≤ R2 < 0.75). The predicted frequency of larger stems was much better than that of small stems (8 ≤ x < 11 cm diameter), particularly small conifers. We used the predicted SDDs to calculate aboveground carbon density (ACD; RMSE = 21.4 Mg C/ha), quadratic mean diameter (RMSE = 3.64 cm), basal area (RMSE = 6.99 m2/ha) and stem number (RMSE = 272 stems/ha). The accuracy of our predictions compared favorably with previous studies that have generally been undertaken in simpler conifer-dominated forest types. We demonstrate the utility of our results to spatial forest management planning by mapping SDDs, the proportion of broadleaves, and ACD at a 0.25 ha resolution.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».