Estimation of Vertical Fuel Layers in Tree Crowns Using High Density LiDAR Data
Notice bibliographique
Résumé
The accurate prediction and mitigation of wildfire behaviour relies on accurate estimations of forest canopy fuels. New techniques to collect LiDAR point clouds from remotely piloted aerial systems (RPAS) allow for the prediction of forest fuels at extremely fine scales. This study uses a new method to examine the ability of such point clouds to characterize the vertical arrangement and volume of crown fuels from within individual trees. This method uses the density and vertical arrangement of LiDAR points to automatically extract and measure the dimensions of each cluster of vertical fuel. The amount and dimensions of these extracted clusters were compared against manually measured clusters that were collected through the manual measurement of over 100 trees. This validation dataset was composed of manual point cloud measurements for all portions of living crown fuel for each tree. The point clouds used for this were ground-based LiDAR point clouds that were ~80 times denser than the RPAS LiDAR point clouds. Over 96% of the extracted clusters were successfully matched to a manually measured cluster, representing ~97% of the extracted volume. A smaller percentage of the manually measured clusters (~79%) were matched to an extracted cluster, although these represented ~99% of the total measured volume. The vertical arrangement and dimensions of the matched clusters corresponded strongly to one another, although the automated method generally overpredicted each cluster’s lower boundary. Tree-level volumes and crown width were, respectively, predicted with R-squared values of 0.9111 and 0.7984 and RMSE values of 44.36 m2 and 0.53 m. Weaker relationships were observed for tree-level metrics that relied on the extraction of lower crown features (live crown length, live crown base height, lowest live branch height). These metrics were predicted with R-squared values of 0.5568, 0.3120, and 0.2011 and RMSE values of 3.53 m, 3.55 m, and 3.66 m. Overall, this study highlights strengths and weaknesses of the developed method and the utility of RPAS LiDAR point clouds relative to ground-based point clouds.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,000 | 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 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 ».