Direct Estimation of Forest Aboveground Biomass from UAV LiDAR and RGB Observations in Forest Stands with Various Tree Densities
Notice bibliographique
Résumé
Canada’s vast forests play a substantial role in the global carbon balance but require laborious and expensive forest inventory campaigns to monitor changes in aboveground biomass (AGB). Light detection and ranging (LiDAR) or reflectance observations onboard airborne or unoccupied aerial vehicles (UAVs) may address scalability limitations associated with traditional forest inventory but require simple forest structures or large sets of manually delineated crowns. Here, we introduce a deep learning approach for crown delineation and AGB estimation reproducible for complex forest structures without relying on hand annotations for training. Firstly, we detect treetops and delineate crowns with a LiDAR point cloud using marker-controlled watershed segmentation (MCWS). Then we train a deep learning model on annotations derived from MCWS to make crown predictions on UAV red, blue, and green (RGB) tiles. Finally, we estimate AGB metrics from tree height- and crown diameter-based allometric equations, all derived from UAV data. We validate our approach using 14 ha mixed forest stands with various experimental tree densities in Southern Ontario, Canada. Our results show that using an unsupervised LiDAR-only algorithm for tree crown delineation alongside a self-supervised RGB deep learning model trained on LiDAR-derived annotations leads to an 18% improvement in AGB estimation accuracy. In unharvested stands, the self-supervised RGB model performs well for height (adjusted R2, Ra2 = 0.79) and AGB (Ra2 = 0.80) estimation. In thinned stands, the performance of both unsupervised and self-supervised methods varied with stand density, crown clumping, canopy height variation, and species diversity. These findings suggest that MCWS can be supplemented with self-supervised deep learning to directly estimate biomass components in complex forest structures as well as atypical forest conditions where stand density and spatial patterns are manipulated.
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 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 ».