A New Strategy for Individual Tree Detection and Segmentation from Leaf-on and Leaf-off UAV-LiDAR Point Clouds Based on Automatic Detection of Seed Points
Notice bibliographique
Résumé
Accurate and efficient estimation of forest volume or biomass is critical for carbon cycles, forest management, and the timber industry. Individual tree detection and segmentation (ITDS) is the first and key step to ensure the accurate extraction of detailed forest structure parameters from LiDAR (light detection and ranging). However, ITDS is still a challenge to achieve using UAV-LiDAR (LiDAR from Unmanned Aerial Vehicles) in broadleaved forests due to the irregular and overlapped canopies. We developed an efficient and accurate ITDS framework for broadleaved forests based on UAV-LiDAR point clouds. It involves ITD (individual tree detection) from point clouds taken during the leaf-off season, initial ITS (individual tree segmentation) based on the seed points from ITD, and improvement of initial ITS through a refining process. The results indicate that this new proposed strategy efficiently provides accurate results for ITDS. We show the following: (1) point-cloud-based ITD methods, especially the Mean Shift, perform better for seed point selection than CHM-based (Canopy Height Model) ITD methods on the point clouds from leaf-off seasons; (2) seed points significantly improved the accuracy and efficiency of ITS algorithms; (3) the refining process using DBSCAN (density-based spatial clustering of applications with noise) and kNN (k-Nearest Neighbor classifier) classification significantly reduced edge errors in ITS results. Our study developed a novel ITDS strategy for UAV-LiDAR point clouds that demonstrates proficiency in dense deciduous broadleaved forests, and this proposed ITDS framework could be applied to single-phase point clouds instead of the multi-temporal LiDAR data in the future if the point clouds have detailed tree trunk points.
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 | 0,000 | 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) | 0,000 | 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 ».