Prioritizing commercial thinning: quantification of growth and competition with high-density drone laser scanning
Notice bibliographique
Résumé
Abstract Laser scanning sensors mounted on drones enable on-demand quantification of forest structure through the collection of high-density point clouds (500+ points m−2). These point clouds facilitate the detection of individual trees enabling the quantification of growth-related variables within a stand that can inform precision management. We present a methodology to link incremental growth data obtained from tree cores with crown models derived from drone laser scanning, quantifying the relative growth condition of individual trees and their neighbours. We stem-mapped 815 trees across five stands in north-central British Columbia, Canada of which 16% were cored to quantify recent basal area growth. Point clouds from drone laser scanning and orthomosaic imagery were used to locate trees, model three-dimensional crown features, and derive competition metrics describing the relative distribution of crown sizes. Local access to water and light were simulated using topographic wetness and potential solar irradiance indices derived from high-resolution terrain and surface models. Wall-to-wall predictions of recent basal area growth were produced from the best-performing model and summarized across a grid alongside a tree-level competition index. Overall, crown volume was most strongly correlated with observed differences in 5-year basal area increment (R2 = 0.70, P < .001). Competition and solar irradiance metrics were significant as univariate predictors (P < .001) but nonsignificant when included in multivariate models with crown volume. Using predictions from the best-performing model and laser-scanning-derived competition metrics, we present a newly developed growth competition index to assess variability and inform commercial thinning prescription prioritization. Growth predictions, competition metrics, and the growth competition index are summarized into maps that could be used in an operational workflow. Our methodology presents a new capacity to capture and quantify intra-stand variation in growth by combining competition metrics and measures of recent growth with high-density drone laser scanning data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».