Raising the Bar: Height Threshold and Grid Resolution Influence Repeatability of Crown Closure Estimation by Airborne Laser Surveys
Notice bibliographique
Résumé
Monitoring crown closure evolution using multi-temporal Light Detection and Ranging (LiDAR) surveys is a method that we expect to be increasingly adopted given the availability of LiDAR sensors and the accumulating survey archives. However, little attention was devoted to comparing crown closure estimates from independent surveys. Although survey parameters cannot be modified after the data collection, we speculate that the error associated to crown closure estimates comparison can be reduced by selecting optimal post-survey parameters. In this study, we compared crown closure estimates of three airborne LiDAR surveys from 2018 (40 pt/m²) used as a reference, and two lower-density surveys from 2016 (4.5 pt/m²) and 2018 (2 pt/m²). We studied the effect of the height threshold used to separate canopy points and the grid resolution, using skewness and variance of lagged difference of crown closure. Crown closure estimates using low height thresholds were more different across surveys, resulting in higher root mean squared error (RMSE), bias and more different variograms. Results show that optimal height threshold was 3 m and grid resolution was 25 m, although there was room for decision (RMSE of 7% and 5%, and bias of 4% and 0% for 2016 and 2018 low-density surveys).
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».