Monitoring seedling stands using national forest inventory and multispectral airborne laser scanning data
Notice bibliographique
Résumé
Characterizing seedling stands with respect to their species proportions and co-occurring vegetation is important for monitoring the desired development of the forest stand. Related inventory information has traditionally been collected with costly field surveys and National Forest Inventory (NFI)-based models. Here, we present a novel fusion approach to combine remote sensing (RS)-based models and NFI-based models to predict seedling stand characteristics, i.e., height, density, and tending needs. We used the best linear unbiased predictor for the fusion of the NFI- and RS-based models. The NFI-based models were derived using NFI sample plots and stand features. The RS-based models were derived using airborne laser scanning and color–infrared images and separate field-measured data. NFI-based models were found to be rather unreliable (RMSE = 65%–115% for stem density and 59%–78% for height), but they were always available without the need for any additional RS data. RS-based models provided an RMSE of 41%–92% for stem density and 26%–45% for height. The fusion procedure used at the prediction stage consistently increased the accuracy of all variables of interest, but the improvements were minor. In addition, we classified the tending need in seedling stands if the height of the coniferous tree was less than 1 m compared to broadleaved trees. If we simulate the decision-making situation of tending needs, we can predict tending needs (91% user accuracy) fairly well for a stand.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».