MétaCan
Menu
Retour à la cohorte
Enregistrement W3080869246 · doi:10.3390/f11090924

Estimating Individual Conifer Seedling Height Using Drone-Based Image Point Clouds

2020· article· en· W3080869246 sur OpenAlexaffabout
Guillermo Castilla, Michelle Filiatrault, Gregory J. McDermid, Michael Gartrell

Notice bibliographique

RevueForests · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensUniversity of CalgaryNatural Resources CanadaCanadian Forest Service
Organismes subventionnairesnon disponible
Mots-clésSeedlingPhenologyGround levelElevation (ballistics)Mean squared errorMathematicsEnvironmental scienceStatisticsRemote sensingHorticultureGeographyBiologyEcologyGeometry

Résumé

récupéré en direct d'OpenAlex

Research Highlights: This is the most comprehensive analysis to date of the accuracy of height estimates for individual conifer seedlings derived from drone-based image point clouds (DIPCs). We provide insights into the effects on accuracy of ground sampling distance (GSD), phenology, ground determination method, seedling size, and more. Background and Objectives: Regeneration success in disturbed forests involves costly ground surveys of tree seedlings exceeding a minimum height. Here we assess the accuracy with which conifer seedling height can be estimated using drones, and how height errors translate into counting errors in stocking surveys. Materials and Methods: We compared height estimates derived from DIPCs of different GSD (0.35 cm, 0.75 cm, and 3 cm), phenological state (leaf-on and leaf-off), and ground determination method (based on either the DIPC itself or an ancillary digital terrain model). Each set of height estimates came from data acquired in up to three linear disturbances in the boreal forest of Alberta, Canada, and included 22 to 189 surveyed seedlings, which were split into two height strata to assess two survey scenarios. Results: The best result (root mean square error (RMSE) = 24 cm; bias = −11 cm; R2 = 0.63; n = 48) was achieved for seedlings >30 cm with 0.35 cm GSD in leaf-off conditions and ground elevation from the DIPC. The second-best result had the same GSD and ground method but was leaf-on and not significantly different from the first. Results for seedlings ≤30 cm were unreliable (nil R2). Height estimates derived from manual softcopy interpretation were similar to the corresponding DIPC results. Height estimation errors hardly affected seedling counting errors (best balance was 8% omission and 6% commission). Accuracy and correlation were stronger at finer GSDs and improved with seedling size. Conclusions: Millimetric (GSD <1 cm) DIPC can be used for estimating the height of individual conifer seedlings taller than 30 cm.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,375
Score d'incertitude au seuil0,608

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,260
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207