Updating Forest Stand Inventories: Integration of Photo-Interpreted and Airborne Laser Scanning Forest Attributes Using Generic Region Merging Segmentation and kNN Imputation
Notice bibliographique
Résumé
Integrating airborne laser scanning (ALS) forest attributes with photo-interpreted forest stand age and species attributes can provide managers with the best information to drive estate planning, growth and yield projections, and forest operations. Photo-interpreted forest inventories provide certain forest attributes that are difficult to measure with ALS, yet are subjective and irregularly updated. ALS is objective and provides detailed estimates of forest structure attributes, but poorly estimates age and species composition. We used Generic Region Merging segmentation and k-nearest neighbor imputation to integrate photo-interpreted and ALS-derived forest attributes into a contemporary stand-based forest inventory. We first segmented gridded ALS attributes into forest stand polygons across a ∼630,000 ha managed forest in Ontario, Canada. We next applied imputation to a photo-interpreted inventory, assessing the influence of model parameters and imputed vs. observed values of age and species using leave-one-out cross-validation. Compared to the photo-interpreted inventory, the optimal imputation model estimated age with a mean absolute and mean bias difference of 16.06 and −0.14 years, and classified leading species with 65.46% accuracy. We lastly integrated imputed age and species attributes into the automatically segmented forest stand polygons, finding similar age and species distributions across the landscape when compared to the photo-interpreted inventory.
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 ».