The Forest Line Mapper: A Semi-Automated Tool for Mapping Linear Disturbances in Forests
Notice bibliographique
Résumé
Forest land-use planning and restoration requires effective tools for mapping and attributing linear disturbances such as roads, trails, and asset corridors over large areas. Most existing linear-feature databases are generated by heads-up digitizing. While suitable for cartographic purposes, these datasets often lack the fine spatial details and multiple attributes required for more demanding analytical applications. To address this need, we developed the Forest Line Mapper (FLM), a semi-automated software tool for mapping and attributing linear features using LiDAR-derived canopy height models. Accuracy assessments conducted in the boreal forest of Alberta, Canada showed that the FLM reliably predicts both the center line (polyline) and footprint (extent polygons) of a variety of linear-feature types including roads, pipelines, seismic lines, and power lines. Our analysis showed that FLM outputs were consistently more accurate than publicly available datasets produced by human photo-interpreters, and that the tool can be reliably deployed across large application areas. In addition to accurately delineating linear features, the FLM generates a variety of spatial attributes associated with line geometry and vegetation characteristics from input canopy height data. Our statistical evaluation indicates that spatial attributes generated by the FLM may be useful for studying and classifying linear features based on disturbance type and ground conditions. The FLM is open-source and freely available and is aimed to assist researchers and land managers working in forested environments everywhere.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».