3D Graph-Based Individual-Tree Isolation (Treeiso) from Terrestrial Laser Scanning Point Clouds
Notice bibliographique
Résumé
Using terrestrial laser scanning (TLS) technology, forests can be digitized at the centimeter-level to enable fine-scale forest management. However, there are technical barriers to converting point clouds into individual-tree features or objects aligned with forest inventory standards due to noise, redundancy, and geometric complexity. A practical model treeiso based on the cut-pursuit graph algorithm was proposed to isolate individual-tree points from plot-level TLS scans. The treeiso followed the local-to-global segmentation scheme, which grouped points into small clusters, large segments, and final trees in a hierarchical manner. Seven tree attributes were investigated to understand the underlying determinants of isolation accuracy. Sensitivity analysis based on the PAWN index was performed using 10,000 parameter combinations to understand the treeiso’s parameter importance and model robustness. With sixteen reference TLS plot scans from various species, an average of 86% of all trees were detected. The mean intersection-over-union (mIoU) between isolated trees and reference trees was 0.82, which increased to 0.92 within the detected trees. Sensitivity analysis showed that only three parameters were needed for treeiso optimization, and it was robust against parameter variations. This new treeiso method is operationally simple and addresses the growing need for practical 3D tree segmentation tools.
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 | 0,001 |
| 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 ».