Assessment of Above-Ground Carbon Storage by Urban Trees Using LiDAR Data: The Case of a University Campus
Notice bibliographique
Résumé
The biomass represented by urban trees is important for urban decision-makers, green space planners, and managers seeking to optimize urban ecosystem services. Carbon storage by urban trees is one of these services. Suitable methods for assessing carbon storage by urban trees are being explored. The latest technologies in remote sensing and data analyses can reduce data collection costs while improving accuracy. This paper introduces an assessment approach that combines ground measurements with unmanned aerial vehicle-based light detection and ranging (LiDAR) data to estimate carbon storage by urban trees. Methods underpinning the approach were tested for the case of the Vancouver campus of the University of British Columbia (UBC), Canada. The study objectives were (1) to test five automated individual tree detection (AITD) algorithms and select one on the basis of the highest segmentation accuracy, (2) to develop a model to estimate the diameter at breast height (DBH), and (3) to estimate and map carbon storage over the UBC campus using LiDAR heights, estimated DBHs, and an existing tree-level above-ground carbon estimation model. Of the segmentation algorithms tested, the Dalponte AITD had the highest F score of 0.83. Of the five CW thresholds (th) tested in the DBH estimation model, we chose one resulting in the lowest Akaike’s information criterion, the highest log-likelihood, and the lowest root-mean-squared error (19.55 cm). Above-ground carbon was estimated for each tree in the study area and subsequently summarized, resulting in an estimated 5.27 kg C·m−2 over the main campus of UBC, Vancouver. The approach could be used in other urban jurisdictions to obtain essential information on urban carbon storage in support of urban landscape governance, planning, and management.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 tête enseignante, 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 ».