Tree counting of tropical tree plantations using the maximum probability spectral features of high-resolution satellite images and drones
Notice bibliographique
Résumé
Information on tree plantation structures, such as tree type, density, and tree height, is essential for developing smart agriculture and plantation management strategies to support production estimation and investment, including biomass for carbon sequestration estimation. In this study, multisource remote sensing data from radar (Sentinel-1 C band), optical (Pléiades), and drones (multispectral drone) were used to support effective and cost-efficient sustainable tree plantation management in Siak Regency, Riau Province, Indonesia. Tree plantation maps were created using the difference backscatter VH and VV from Sentinel-1. Tree counting was then performed using Pléiades red, green, and blue visible bands and multispectral drone bands using a maximum a posteriori pixel-based classifier integrated with a filter function and statistical estimation. The validation of the tree map using manual measurements yielded accuracies ranging from approximately 79% to 97%. Tree heights were calculated from the difference between the Digital Surface Model (DSM) derived from drone data and the Digital Terrain Model (DTM) obtained from DEM Nasional (DEMNAS) data. Further improvements in the current map accuracy can be achieved using a combination of remote sensing and field measurements of tree structure inventories. • Tree plantations map, tree structure and tree height inventory produced using integrated SAR, optical imaging and UAV • Tree counting developed using The Maximum A Posteriori (MAP) classifier of high-resolution satellite image and drone • Tree height developed using drone DSM and DTM 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 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 ».