Detecting Individual-Tree Crown Regions from Terrestrial Laser Scans with an Anchor-Free Deep Learning Model
Notice bibliographique
Résumé
Detecting individual-tree crowns provides a fundamental analysis unit bridging macro ecological patterns and micro physiological functions. This study adapted an anchor-free deep learning model, CenterNet, to detect individual crown locations and regions from dense 3 D terrestrial laser scans. A total of 1181 crowns from twelve plots were manually delineated as reference, among which eight plots were used for training the CenterNet, and another four independent plots for testing model accuracies characterized as the F1-score of location detection and Intersection over Union (IoU) of bounding box area. The maximum training F1-score and IoU were 0.881 and 0.670 over 40k training iterations, respectively. The result testing F1-score and IoU were 0.754 and 0.583, respectively. Five morphological factors were quantified to investigate the causes of accuracy variation among different plots and species, including crown area, tree height, full-width-at-half-maximum, nearest neighbor crown distance, and overlapping ratio of neighboring crowns. Results show that tree height was most important trait for crown detection. A taller, larger, smoother, less crowded, and less overlapped tree was found easier to detect. Among six species, red pine, Scots pine, and silver birch were successfully detected, and Norway spruce, lodgepole pine, and trembling aspen were more difficult to detect.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».