Harmonizing multi-temporal airborne laser scanning point clouds to derive periodic annual height increments in temperate mixedwood forests
Notice bibliographique
Résumé
When combining multi-temporal airborne laser scanning (ALS) data sets, forest height growth assessments can be compromised due to variations in ALS acquisitions. Herein, we demonstrate the importance of assessing and harmonizing the vertical alignment of multi-temporal ALS data sets used for height growth calculations. Using four ALS acquisitions (2005–2018) in a temperate mixedwood forest, we developed an ALS data harmonization approach and quantified the impact of the harmonization on derived height periodic annual increment (PAI), comparing the ALS-derived PAI to PAI derived from non-harmonized ALS data sets and field measurements. We found significant differences in PAI derived from harmonized and non-harmonized data, and these differences were greater for shorter growth intervals. Data harmonization resulted in a consistent PAI series that reduced uncertainties associated with the different ALS acquisitions. Although overall there was a strong relationship between field and ALS height measures ( R 2 ≥ 0.88), we found a weak relationship between the field- and ALS-derived PAI ( R 2 = 0.12). We identified systematic errors in field-based tree height measures in plots with complex crowns, tall trees, and restricted visibility. We demonstrate the need for harmonizing multi-temporal ALS data sets for the generation of PAI and, likewise, highlight the need of carefully scrutinize field-measured heights and associated increments.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».