Mobile Laser Scanning for Estimating Tree Structural Attributes in a Temperate Hardwood Forest
Notice bibliographique
Résumé
The emergence of mobile laser scanning (MLS) systems that use simultaneous localization and mapping (SLAM) technology to map their environment opens up new opportunities for characterizing forest structure. The speed and accuracy of data acquisition makes them particularly adapted to operational inventories. MLS also shows great potential for estimating inventory attributes that are difficult to measure in the field, such as wood volume or crown dimensions. Hardwood species represent a significant challenge for wood volume estimation compared to softwoods because a substantial portion of the volume is included in the crown, making them more prone to allometric bias and more complex to model. This study assessed the potential of MLS data to estimate tree structural attributes in a temperate hardwood stand: height, crown dimensions, diameter at breast height (DBH), and merchantable wood volume. Merchantable wood volume estimates were evaluated to the third branching order using the quantitative structural modeling (QSM) approach. Destructive field measurements and terrestrial laser scanning (TLS) data of 26 hardwood trees were used as reference to quantify errors on wood volume and inventory attribute estimations from MLS data. Results reveal that SLAM-based MLS systems provided accurate estimates of tree height (RMSE = 0.42 m (1.78%), R2 = 0.93), crown projected area (RMSE = 3.23 m2 (5.75%), R2 = 0.99), crown volume (RMSE = 71.4 m3 (23.38%), R2 = 0.99), DBH (RMSE = 1.21 cm (3.07%), R2 = 0.99), and merchantable wood volume (RMSE = 0.39 m3 (18.57%), R2 = 0.95), when compared to TLS. They also estimated operational merchantable volume with good accuracy (RMSE = 0.42 m3 (21.82%), R2 = 0.94) compared to destructive measurements. Finally, the merchantable stem volume derived from MLS data was estimated with high accuracy compared to TLS (RMSE = 0.11 m3 (8.32%), R2 = 0.96) and regional stem taper models (RMSE = 0.16 m3 (14.7%), R2 = 0.93). We expect our results would provide a better understanding of the potential of SLAM-based MLS systems to support in-situ forest inventory.
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 | 0,001 | 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 ».