Quality Assessment of Terrestrial Laser Scanner Ecosystem Observations Using Pulse Trajectories
Notice bibliographique
Résumé
Considering the trajectories of pulses from terrestrial laser scanners (TLS) can provide refined models of occlusion and improve the assessment of observation quality in forests and other ecosystems. By considering the space traversed by light detection and ranging (lidar) pulses, we can separate empty regions of an ecosystem sample from unobserved regions of an ecosystem sample. We apply this method of TLS observation quality assessment, and analyze Compact Biomass Lidar 2 (CBL2) TLS observations of a single tree and of a deciduous forest stand. We show the contribution of information from each TLS scan to be inconsistent and the combination of multiple scans to have diminishing returns for new information, without guaranteeing complete coverage of a sample. We quantitatively investigate the effects of imposing information quality requirements on TLS sampling, for example, requiring minimum numbers of observations in each region or requiring regions to be observed from a minimum number of independent scans. We show empirically that rigid, predefined TLS sampling schemes, even with hypothetically dense coverage, cannot guarantee successful samples in geometrically complex systems such as forests. Through these methods, we lay the groundwork for on-the-fly assessment of observation quality according to several modeling-relevant metrics which enhance TLS ecosystem assessment. We also establish the value of flexible deployment options for TLS instruments, including the ability to deploy at a variety of heights.
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 | 0,001 | 0,001 |
| 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 ».