Mapping forest leaf area density from multiview terrestrial lidar
Notice bibliographique
Résumé
Abstract Terrestrial lidar data are known to be useful for estimating the three‐dimensional (3D) distribution of leaf area in forests. This type of product holds great potential for modelling canopy reflectance and light interception to study the links between structure and function. However, little is currently known about its potential and limits in dense forests. Higher leaf area density implies that more laser pulses emitted by the ground‐based instrument are intercepted in lower canopy levels, and the implications of such occlusion effects on radiative transfer simulations are unknown. Occlusion effects can be minimized by increasing the number of locations lidar data is acquired from; how many locations are required for a forest with a given structure? This paper aims to address these knowledge gaps. We acquired terrestrial lidar data using a very high density of scanning positions (5 m between positions) over four dense forest 60 m × 60 m plots along a structural gradient. Occlusion effects were quantified, and the 3D distribution of leaf area density was mapped using voxels (cubic volumes) for four different scan densities (one original and three downsampled). The voxel arrays were then input into a radiative transfer model to simulate bidirectional reflectance factors and vertical fraction of absorbed radiation. We found that the summation of leaf area estimates for all voxels within the plot provided leaf area index (LAI) values close to LAI values estimated using traditional methods at each site. Occluded areas occurred mostly at the top of bottom heavy canopies. Radiative transfer simulations suggest that modelling small scale (<1 m) bidirectional reflectance factors (BRF) and light interception requires the highest scan position density used (5 m between scan positions), particularly at bottom heavy sites, and that 10 m between scan positions can be used for plot scale BRF simulations in forests with foliage density and vertical profiles similar to those tested here. This work establishes some initial guidelines for establishing terrestrial lidar survey protocols for mapping leaf area density in forests. The leaf area density voxel arrays derived are among the most accurate plot‐level 3D characterizations of foliage arrangement produced to date.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».