Vegetation Phenology Driving Error Variation in Digital Aerial Photogrammetrically Derived Terrain Models
Notice bibliographique
Résumé
Digital aerial photogrammetry (DAP) and unmanned aerial systems (UAS) have emerged as synergistic technologies capable of enhancing forest inventory information. A known limitation of DAP technology is its ability to derive terrain surfaces in areas with moderate to high vegetation coverage. In this study, we sought to investigate the influence of flight acquisition timing on the accuracy and coverage of digital terrain models (DTM) in a low cover forest area in New Brunswick, Canada. To do so, a multi-temporal UAS-acquired DAP data set was used. Acquired imagery was photogrammetrically processed to produce high quality DAP point clouds, from which DTMs were derived. Individual DTMs were evaluated for error using an airborne laser scanning (ALS)-derived DTM as a reference. Unobstructed road areas were used to validate DAP DTM error. Generalized additive mixed models (GAMM) were generated to assess the significance of acquisition timing on mean vegetation cover, DTM error, and proportional DAP coverage. GAMM models for mean vegetation cover and DTM error were found to be significantly influenced by acquisition date. A best available terrain pixel (BATP) compositing exercise was conducted to generate a best possible UAS DAP-derived DTM and outline the importance of flight acquisition timing. The BATP DTM yielded a mean error of −0.01 m. This study helps to show that the timing of DAP acquisitions can influence the accuracy and coverage of DTMs in low cover vegetation areas. These findings provide insight to improve future data set quality and provide a means for managers to cost-effectively derive high accuracy terrain models post-management activity.
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 | 0,001 |
| 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 | 0,000 |
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 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 ».