Estimating Tree Diameter at Breast Height (DBH) Using iPad Pro LiDAR Sensor in Boreal Forests
Notice bibliographique
Résumé
Traditional Diameter at Breast Height (DBH) mensuration is labor-intensive and costly. This scoping study explored the possibility of using the Apple iPad Pro Light Detection And Ranging (LiDAR) sensor to estimate DBH. Three plots were scanned in a research plantation near Thunder Bay, Canada. Sites consisted of either Black Spruce (Picea mariana) or Red Pine (Pinus resinosa) planted with different initial densities. DBH was manually measured for validation. Point clouds were acquired for each plot using three scanning patterns; circular, figure-8, and transect. Single and five cross sections of 4 or 10 cm in thickness were extracted from each point cloud, centered at 1.3 m above the ground. Two circle fitting algorithms (Pratt, Taubin) and two ellipse fitting algorithms (Taubin, Szpak) were applied to the extracted cross-sections to estimate DBH. Scanning pattern and curve-fitting formula significantly impacted DBH estimate accuracy (p-value ≤ 0.001), while cross-section count and thickness did not. The circular scanning pattern with a single 4 cm cross-section and a combination of circle- and ellipse-fitting formulas was the most accurate DBH estimation method (RMSE = 1.1 cm; 6.17%).
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 | 0,000 | 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 ».