The assessment of individual tree canopies using drone-based intra-canopy photogrammetry
Notice bibliographique
Résumé
• First-person view drones capture high-resolution video, enabling accurate 3D photogrammetric reconstruction of trees. • Ray marching quantifies canopy transparency from point clouds, providing a precise alternative to visual estimates. • Drone-based estimates of tree height, DBH, and canopy spread strongly align with ground and lidar measurements across seasons. • Processing time increases with tree size and seasonality because of greater frame count and scene complexity. With many forests experiencing rapidly declining health, effective management requires increasingly accurate and precise tools to measure tree attributes across scales. Tree health, especially in deciduous species, is strongly correlated with crown condition, specifically crown transparency and dieback. Present-day assessment of these attributes is undertaken using ground-based visual approaches, which can be imprecise and subjective. Here we evaluate the feasibility of applying drone-based digital aerial photogrammetry (DAP) below, within, and above the tree canopy to estimate tree height, diameter at breast height, canopy transparency, and canopy spread. Video imagery was acquired across 18 deciduous trees under leaf-off and leaf-on conditions in Metro Vancouver, British Columbia, Canada, using small, lightweight first-person-view drones. Images were extracted and processed into coloured 3D point clouds using digital Structure-from-Motion Multiview-Stereo photogrammetry. Photogrammetry estimates were compared with field measurements and above-canopy drone-based aerial Light Detection and Ranging (lidar) estimates. The DAP estimates explained significant variance in the field observations and were strongly correlated with both ground-based measurements and lidar estimates, with correlations of height (DAP vs. ground: r = 0.93, RMSE = 1.54 m; DAP vs. lidar: r = 0.94), DBH (DAP vs. ground: r = 0.98, RMSE = 2.90 cm), transparency (DAP vs. ground: r = 0.66, RMSE = 12.61 %), and crown spread (DAP vs. ground: r = 0.88, RMSE = 3.35 m; DAP vs. lidar: r = 0.89). The reconstruction time for each tree using the drone footage was strongly correlated with tree size and seasonal condition, with minimal influence from crown form. This work suggests that first-person view drones can provide accurate information on individual tree attributes associated with tree health, offering a reliable alternative or complement to both ground-based methods and lidar for tree-level measurements in ongoing forest health assessment programs.
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 ».