FoScenes: A high-fidelity, large-scale 3D forest plant area density product derived from open-access airborne lidar data
Notice bibliographique
Résumé
The accurate three-dimensional (3D) distribution of plant area density (PAD) within forests is crucial for understanding canopy structure and provides essential scene inputs for 3D Radiative Transfer Models (RTMs) to facilitate remote sensing interpretation. However, current lidar-based voxelization methods that estimate detailed PAD distributions often cover limited areas, constraining their applications in conducting broad forest studies and interpreting Earth Observation Satellite (EOS) data of various scales and resolutions. To address this, we developed the Large-Scale Path Volume Leaf Area Density (LS-PVlad), a novel forest 3D reconstruction workflow capable of producing extensive high-resolution 3D voxelized forest scenes (up to 100 km 2 with ≤2 m voxel size) from worldwide open-access airborne lidar scanning (ALS) data. By applying LS-PVlad to the ALS data acquired during the extensive NASA Goddard's LiDAR, Hyperspectral & Thermal Imager (G-LiHT) campaigns, we developed the first release of FoScenes—a high-fidelity PAD product comprising 40 seamless scenes from 28 diverse forest sites, with individual area ranging from ∼50 to ∼11,000 ha. The leaf area estimates of LS-PVlad have been validated by two-year field-measured leaf area index (LAI) from litter collection (best RMSE = 0.35 m 2 /m 2 ) and digital hemispherical photography (DHP) images (RMSE = 0.46 m 2 /m 2 ) across multiple plots at a deciduous forest site. Additionally, a broad comparison between FoScenes and MODIS plant/leaf area index product demonstrates high consistency (R 2 = 0.70, RMSE = 0.86 m 2 /m 2 ). By providing multi-dimensional forest characterizations, FoScenes enables temporal insights into structure dynamics. Its integration with the discrete anisotropic radiative transfer (DART) model underscores the potential of FoScenes for extensive 3D RTM applications at various scales. • We developed a large-scale ALS-data-driven 3D forest reconstruction workflow. • FoScenes product consists of 40 various forest scenes derived from NASA G-LiHT data. • The estimated leaf/plant area index strongly aligns with field data and EOS products. • FoScenes captures temporal structure variation by multi-dimensional characterization. • FoScenes can be integrated into DART for realistic simulations at varied scales.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,006 |
| 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 ».