Object-Oriented Automatic Identification of Forest Gaps Using Digital Orthophoto Maps and LiDAR Data
Notice bibliographique
Résumé
Identification of forest gaps is a prerequisite for quantification of their size, shape, and dynamics, and for clarification of both complex structural forest species regeneration and understory species diversity. Although airborne LiDAR and digital orthophoto maps (DOM) have been used separately to identify forest gaps, few studies have considered integration of the two data sources for forest gap segmentation and classification. True color DOM (20 cm) and airborne LiDAR (3.7 points/m2) data were used to study object-oriented gap identification in the typical natural secondary forest of the Maoershan Experimental Forest Farm (China). Three segmentation schemes based on DOM only data, LiDAR data, and integrated DOM & LiDAR were adopted when processing the object-oriented classification. Based on the segmentation results, the support vector machine classifier was used with DOM spectral features, LiDAR height features, and integrated features from both data sources to identify forest gaps. The Modified Euclidean Distance 3 (ED3Modified) index was selected to assess segmentation quality. Comparison of the three segmentation schemes revealed that segmentation based on LiDAR was the best and the classification accuracy using integrated spectral and height features was the highest (OA = 87%, Kappa = 0.81). Those results could provide technical support for the quantitative analysis of forest gap features.
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 ».