Evaluation of Ground Surface Models Derived from Unmanned Aerial Systems with Digital Aerial Photogrammetry in a Disturbed Conifer Forest
Notice bibliographique
Résumé
Detailed vertical forest structure information can be remotely sensed by combining technologies of unmanned aerial systems (UAS) and digital aerial photogrammetry (DAP). A key limitation in the application of DAP methods, however, is the inability to produce accurate digital elevation models (DEM) in areas of dense vegetation. This study investigates the terrain modeling potential of UAS-DAP methods within a temperate conifer forest in British Columbia, Canada. UAS-acquired images were photogrammetrically processed to produce high-resolution DAP point clouds. To evaluate the terrain modeling ability of DAP, first, a sensitivity analysis was conducted to estimate optimal parameters of three ground-point classification algorithms designed for airborne laser scanning (ALS). Algorithms tested include progressive triangulated irregular network (TIN) densification (PTD), hierarchical robust interpolation (HRI) and simple progressive morphological filtering (SMRF). Points were classified as ground from the ALS and served as ground-truth data to which UAS-DAP derived DEMs were compared. The proportion of area with root mean square error (RMSE) <1.5 m were 56.5%, 51.6% and 52.3% for the PTD, HRI and SMRF methods respectively. To assess the influence of terrain slope and canopy cover, error values of DAP-DEMs produced using optimal parameters were compared to stratified classes of canopy cover and slope generated from ALS point clouds. Results indicate that canopy cover was approximately three times more influential on RMSE than terrain slope.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».