Individual Tree Crown Delineation Using Multispectral LiDAR Data
Notice bibliographique
Résumé
In this study, multispectral Light Detection and Ranging (LiDAR) data were utilized to improve delineation of individual tree crowns (ITC) as an important step in individual tree analysis. A framework to integrate spectral and height information for ITC delineation was proposed, and the multi-scale algorithm for treetop detection developed in one of our previous studies was improved. In addition, an advanced region-based segmentation method that used detected treetops as seeds was proposed for segmentation of individual crowns based on their spectral, contextual, and height information. The proposed methods were validated with data acquired using Teledyne Optech's Titan LiDAR sensor. The sensor was operated at three wavelengths (1550 nm, 1064 nm, and 532 nm) within a study area located in the city of Toronto, ON, Canada. The proposed method achieved 80% accuracy, compared with manual delineation of crowns, considering both matched and partially matched crowns, which was 12% higher than that obtained by the earlier marker-controlled watershed (MCW) segmentation technique. Furthermore, the results showed that the integration of spectral and height information improved ITC delineation using either the proposed framework or MCW segmentation, compared with using either spectral or height information individually.
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 | 0,002 |
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 ».