A New Individual Tree Crown Delineation Method for High Resolution Multispectral Imagery
Notice bibliographique
Résumé
In current individual tree crown (ITC) delineation methods for high-resolution multispectral imagery, either a spectral band or a brightness component of the multispectral image is employed in delineation with reference to edges or shapes of crowns, whereas spectra of tree crowns are seldom taken into account. Such methods normally perform well in coniferous forests with obvious between-crown shadows, but fail in dense deciduous or mixed forests, in which tree crowns are close to each other, between-crown shadows and boundaries are unobvious, whereas adjacent tree crowns may be of distinguishable spectra. In order to effectively delineate crowns in dense deciduous or mixed forests, a new ITC delineation method using both brightness and spectra of the image is proposed in this study. In this method, a morphological gradient map of the image is first generated, treetops of multi-scale crowns are extracted from the gradient map and refined regarding the spectral differences between neighboring crowns, the gradient map is segmented using a watershed approach with treetops as markers, and the resulting segmentation map is refined to yield a crown map. Evaluated on images of a rainforest and a deciduous forest, the proposed method more accurately delineated adjacent broad-leaved tree crowns with similar brightness but different spectra than the other two typical ITC delineation algorithms, achieving a delineation accuracy of up to 76% in the rainforest and 63% in the deciduous forest.
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 ».