Fine-Scale Spatial and Spectral Clustering of UAV-Acquired Digital Aerial Photogrammetric (DAP) Point Clouds for Individual Tree Crown Detection and Segmentation
Notice bibliographique
Résumé
The field of remote sensing is undergoing rapid changes through the utilization of unmanned aerial vehicle (UAV) technology. The rise of this new technology and the corresponding growth in the application of digital aerial photogrammetric point clouds (DAP) require renewed investigation into individual tree detection (ITD) routines; most of which have been developed for airborne laser scanning (ALS) and traditional aerial imagery. This article analyzes the application of a well-known ALS-ITD routine to UAV-acquired DAP. In particular, specific modifications are proposed and evaluated aimed at improving its applicability to DAP, with particular emphasis on the incorporation of spectral information through subcrown scale k-means clustering. The new routine, which utilizes point-level spectral information in the clustering process, improved overall true positive detection by ~6.3%, with the most significant improvements in true positive detection found in lower canopy class stems. The new routine was also tested without the inclusion of spectral information and was shown to produce poorer results by ~4.1%, indicating that the inclusion of these data is beneficial for ITD approaches. This new routine represents an advancement of processing approaches incorporating both structural and spectral components for ITD in the era of UAV remote sensing in forested environments.
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 | 0,000 |
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 ».