An app for tree trunk diameter estimation from coarse optical depth maps
Notice bibliographique
Résumé
Trunk diameter is related to the overall health and level of carbon sequestration in a tree. Trunk diameter measurement, therefore, is a key task in both forest plot and urban settings. Unlike the traditional approach of manual measurement with a measuring tape or calipers, several recent approaches rely on sophisticated technologies such as LiDAR and time-of-flight cameras that provide fine-grain depth maps, which are used for depth-assisted image segmentation in downstream processing. These technologies are supported only on specialized devices or high-end smartphones. We present a mobile application that uses coarse-grain depth maps derived from an optical sensor, and so can be run on most common Android devices. Moreover, we use a state-of-the-art deep neural network to estimate trunk diameter from an image and its corresponding coarse depth map (RGB-D). We tested our app using a data set collected from four countries and under challenging conditions including occlusion, leaning trees, and irregular shapes and found that our algorithm has a MAE of 1.66 cm and an RMSE of 2.46 cm, which is comparable to accuracy from fine-grain depth maps. Moreover, diameter measurement using our app is >5 times faster than traditional manual surveying. • An AR- and AI-based app for all-in-one tree diameter estimation on entry-level smartphones. • App achieves a MAE of 1.66 cm, comparable to other high-end phone-based solutions. • Facilitates forest inventories by enabling near real-time, low-cost measurements. • Validated across diverse environments, showing robustness under various conditions. • App speeds up data collection, being 5 times faster than traditional methods.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,013 |
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 ».