Evaluation of UAS LiDAR data for tree segmentation and diameter estimation in boreal forests using trunk- and crown-based methods
Notice bibliographique
Résumé
Very high point density laser scanning data from unmanned aerial systems (UAS) can be used to segment the trunks of individual trees. Such segmentation (e.g., individual trunk segmentation (ITS)) is useful, for example, in the estimation of diameter at breast height (DBH), which in turn is needed for the estimation of other tree and stand attributes, such as stem volume and diameter of the basal area median tree (DGM). In this paper, we assess the estimation of DBH directly from UAS LiDAR data in open and closed canopy conditions that represent the range of operational conditions encountered in boreal forests in Finland. We also compare trunk-based DBH estimates to corresponding estimates from individual tree crown segmentation (ITC) and fuse the results from the trunk- and crown-based estimates. The results showed that trunk segmentation performed slightly better than ITC in open canopy areas, whereas ITC performed better in closed canopy areas. The DBH prediction error was smaller for ITS (3.0 cm) than ITC (3.9 cm) when considering the trees that were recognized by both methods. We also conclude that a hybrid method, where both segmented tree trunks and tree crowns are fused, considerably increases the number of correctly segmented trees but does not decrease the prediction error associated with DGM compared to using either ITC or ITS individually.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».