Effect of ground surface interpolation methods on the accuracy of forest attribute modelling using unmanned aerial systems-based digital aerial photogrammetry
Notice bibliographique
Résumé
Unmanned aerial systems digital aerial photogrammetry (UAS-DAP) is an emerging technology that has the capacity to generate dense three-dimensional point clouds similar to airborne laser scanning (ALS). Over forested areas, these point clouds can be used to model forest attributes using the area-based approach (ABA). However, with DAP point clouds, canopy occlusion contributes to larger gaps in terrain registration from UAS-DAP compared to ALS point-clouds. Few studies have investigated the terrain modelling and forest inventory capacity of UAS-DAP over complex coniferous forests. In this study, we applied common terrain surface-interpolation routines using an established set of optimal UAS-DAP ground points and analysed how these routines influenced the prediction accuracy of forest stand attributes. Interpolation routines included inverse-distance weighted (IDW), natural neighbour (NATN), triangulated irregular network (TIN), and spline with tension (SPLT). The forest attributes of interest included mean tree height (Hmean), Lorey’s height (HLorey) and stem volume per hectare (Vstem). Models were developed using metrics calculated from the vertical distribution of the UAS-DAP point cloud normalized by the different UAS-DAP terrain surfaces in addition to a reference surface generated from commercially provided ALS ground points. Results showed no significant difference between predictions derived from different terrain surfaces for all three dependent variables; however, the IDW method produced a distribution of wall-to-wall predictions most similar to those from the ALS-DEM. The best performing forest attribute models for Hmean, HLorey and Vstem yielded mean RMSE values of 1.19 m (7.29%), 0.92 m (5.04%) and 54.55 m3 ha−1 (26.66%) respectively across the four UAS-DAP terrain surfaces generated. Model performance was higher yet comparable when using the ALS-DEM for point cloud height normalization with RMSE values of 0.73 m (4.43%), 0.59 m (3.24%) and 37.31 m3 ha−1 (18.24%).
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».