Assessing lean and positional error of individual mature Douglas-fir (<i>Pseudotsuga menziesii</i>) trees using active and passive sensors
Notice bibliographique
Résumé
There is a growing demand for point cloud data that can produce reliable single-tree measurements. The most common platforms for obtaining such data are unmanned aircraft systems with passive sensors (UAS), unmanned aircraft equipped with aerial lidar scanners (ALS), and mobile lidar scanners (MLS). Our objectives were to compare the capabilities of the UAS, ALS, and MLS to locate treetops and stems and to estimate tree lean. The platforms were used to produce overlapping point clouds of a mature Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco) stand, from which 273 trees were manually identified. Control trees were used to test tree detection accuracy of four algorithms and the number of stems detectable using each platform. Tree lean was calculated in two ways: using the stem location near the canopy and using the treetop. The treetops were detected more accurately from ALS and UAS clouds than from MLS, but the MLS outperformed ALS and UAS in stem detection. The platform influenced treetop detection accuracy, whereas the algorithms did not. The height estimates from the ALS and MLS were correlated (R2 = 0.96), but the MLS height estimates were unreliable, especially as distance from the scanner increased. The lean estimates using the stem locations or treetop locations produced analogous distributions for all three platforms.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».