Delineating and Reconstructing 3D Forest Fuel Components and Volumes with Terrestrial Laser Scanning
Notice bibliographique
Résumé
Predictive accuracy in wildland fire behavior is contingent on a thorough understanding of the 3D fuel distribution. However, this task is complicated by the complex nature of fuel forms and the associated constraints in sampling and quantification. In this study, twelve terrestrial laser scanning (TLS) plot scans were sampled within the mountain pine beetle-impacted forests of Jasper National Park, Canada. The TLS point clouds were delineated into eight classes, namely individual-tree stems, branches, foliage, downed woody logs, sapling stems, below-canopy branches, grass layer, and ground-surface points using a transformer-based deep learning classifier. The fine-scale 3D architecture of trees and branches was reconstructed using a quantitative structural model (QSM) based on the multi-class components from the previous step, with volume attributes extracted and analyzed at the branch, tree, and plot levels. The classification accuracy was evaluated by partially validating the results through field measurements of tree height, diameter-at-breast height (DBH), and live crown base height (LCBH). The extraction and reconstruction of 3D wood components enable advanced fuel characterization with high heterogeneity. The existence of ladder trees was found to increase the vertical overlap of volumes between tree branches and below-canopy branches from 8.4% to 10.8%.
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 ».