Use of Mobile Laser Scanning (MLS) to Monitor Vegetation Recovery on Linear Disturbances
Notice bibliographique
Résumé
Seismic lines are narrow, linear corridors cleared through forests for oil and gas exploration. Their inconsistent recovery has led to Alberta’s forests being highly fragmented, resulting in the need for seismic line restoration programs and subsequent monitoring. Light detection and ranging (LiDAR) is becoming an increasingly popular technology for the fast and accurate measurement of forests. Mobile LiDAR scanners (MLS) are emerging as an alternative to traditional aerial LiDAR due to their increased point cloud density. To determine whether MLS could be effective for collecting vegetation data on seismic lines, we sampled 17 seismic lines using the Emesent Hovermap™ in leaf-on and leaf-off conditions. Processing the LiDAR data was conducted with GreenValley International’s LiDAR 360 software, and data derived from the point clouds were compared to physically measured field data. Overall, the tree detection algorithm was unsuccessful at accurately segmenting the point clouds. Complex vegetation environments on seismic lines, including small conifers with obscured stems or extremely dense and tall shrubs with overlapping canopies, posed a challenge for the software’s capacity to differentiate trees As a result, tree densities and diameters were overestimated, while tree heights were underestimated. Exploration of alternative algorithms and software is needed if measuring vegetation data on seismic lines with MLS is to be implemented.
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 ».