Revealing Growth Patterns in White Spruce Genotypes using UAV LiDAR Time-Series Data
Notice bibliographique
Résumé
The increasing frequency of extreme climatic events such as drought, heatwaves, and insect infestations highlights the need to monitor tree growth and identify resilient genotypes for forest management. Traditional methods of measuring tree height, which involve manual fieldwork using tools like measuring poles or clinometers, are labor-intensive, time-consuming, and impractical for large-scale studies. In this context, we utilized high-resolution Light Detection and Ranging (LiDAR) data, acquired via a low-flying drone equipped with Real-Time Kinematic (RTK) GNSS sensor to ensure high positional accuracy. We tested this approach by monitoring the height growth of 5293 juvenile white spruce trees representing 1799 genotypes throughout the 2022 growing season. LiDAR-derived tree heights were validated against field-measured data, resulting in a low standard error of 11 cm, confirm the effectiveness of the system. Our findings demonstrate that drone-based LiDAR, when post-processed with the RTK-GNSS to minimize GPS positional errors, offers an efficient and precise method for tracking individual tree height increments. The time-series LiDAR data of the white spruce trees, collected using the system, enabled their classification into slow-, medium-, and fast-growing genotypes, with average height increments quantified at 15 cm, 28 cm, and 39 cm, respectively, thus demonstrating the system’s effectiveness for tree growth-rate estimation in large-scale phenotypic studies.
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) | 0,000 | 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 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 ».