Supervised terrestrial to airborne laser scanner model calibration for 3D individual-tree attribute mapping using deep neural networks
Notice bibliographique
Résumé
Capturing subcanopy forest information from airborne laser scanning (ALS) is constrained by signal occlusion. This study demonstrates the potential of close-range terrestrial laser scanner (TLS) scanning to mitigate the constraints of ALS in acquiring stem-level forest attributes. A transformer-based neural network was adapted to classify and segment 3D individual trees from ALS data. A deep neural network combined with a gaussian process layer was proposed to estimate tree diameter-at-breast-height (DBH) from ALS data. The performance of these methods was compared to other benchmarked methods using the same dataset, including a total of seven classifiers, five segmentors, and six attribute regressors. The study was conducted across four ALS sample areas and ten combined TLS/ALS plots, primarily in montane forests. Manual delineation of TLS trees provided a precise validation reference. The proposed methods demonstrated high accuracies, with a mean intersection-over-union (mIoU) of 0.92 for ALS tree classification, 0.70 for tree segmentation, and a RMSE of 4.2 cm or 18.9 % for DBH estimation on average of the ten plots. Tree detection accuracy was strongly associated with the final segmentation accuracy. Factors such as tree height, overlapping, inclination, and neighboring conditions impacted segmentation accuracy. Our segmentation method effectively mitigated accuracy loss for short and occluded trees. Overall, this study presents scalable and cost-effective solutions for TLS calibration of ALS scans over two meso-scale montane valleys. Leveraging deep neural networks enables scaling of stem attributes to landscape scales, thereby linking fine-scale forest inventory with sustainable management of expansive forest resources. Our codes are available at https://github.com/truebelief/artemis_treescaling.
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 | 0,001 | 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 ».