Comparison of Deep and Machine Learning Approaches for Quebec Tree Species Classification Using a Combination of Multispectral and LiDAR Data
Notice bibliographique
Résumé
Accessing tree species information is required for making appropriate decisions in forest management. 3D photo-interpretation using high spatial resolution aerial imagery is used to provide information on tree species in the province of Quebec. However, the shortage of qualified interpreters and the increasing costs of 3D photo-interpretation have affected the production of the forest inventory. In this study, we employed deep and machine learning models to classify nine tree species (i.e., paper birch, yellow birch, red maple, poplar, black spruce, white spruce, tamarack, jack pine, and balsam fir). We used a combination of spectral and vertical structural information extracted from 30-cm aerial imagery and airborne light detection and ranging (LiDAR) data in a 9,100 km2 forested area in Quebec, Canada. The results indicated that Dense Convolution Network (DenseNet) achieved the best overall accuracy of 78%, outperforming machine learning methods by 5%. In addition, the models’ performance was independently assessed using permanent and temporary ground sample plots, acknowledging the superiority of DenseNet in terms of overall accuracy (73%) in predicting the dominant species. Our results suggest that the combination of aerial imagery and airborne LiDAR data, using deep learning approaches, can be applied to accurately map tree species.
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 ».