Unsupervised Semantic Segmenting TLS Data of Individual Tree Based on Smoothness Constraint Using Open-Source Datasets
Notice bibliographique
Résumé
Unsupervised segmentation of Terrestrial Laser Scanning (TLS) data into wood and leaf is the key for studying forest carbon storage, photosynthesis, canopy radiation. Further segmentation of wood data into trunk and larger branch (TLB), remaining branch (RB) is of great significance and challenge for dust retention, soil heavy metal enrichment. We proposed an unsupervised, automatic semantic segmentation method based on TLS data of individual tree. The method firstly performs initial segmentation based on plane fitting residuals and neighborhood normal angle, which can extract smooth and connected regions in point cloud. Then, the geometric features of segmented clusters are quantified to approximate RB or leaf features. Finally, the segmentation of TLB, RB, and leaf is realized by combining different clusters from bottom to top with geometric features and neighborhood relations. The segmentation performance of our method was evaluated with 104 tree samples from 23 tree species in two open-source datasets from Indonesia, Peru, Guyana and from Canada and Finland. The micro-average precision of our method is 93.61%. The micro-average recalls of TLB, RB, and leaf are 97.08%, 86.44%, and 89.62%. Compared with the well-known method of separating wood and leaf, our method has 33.56% higher sensitivity, 1.82% higher specificity, 20.52% higher precision, and 0.217 higher F1-score. Besides, we estimated the surface area and volume of TLB, the surface area and volume of RB based on the segmented data. The above parameters have good consistency compared to those calculated based on manually separated point clouds (Pearson correlation coefficient (PCC) of 0.55-0.93).
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».