Data from: Robust single-image tree diameter estimation with mobile phones
Notice bibliographique
Résumé
Ground-based forest inventories are a key element of forest carbon monitoring, reporting, and verification schemes and a cornerstone of forest ecology research. Recent work using LiDAR-equipped mobile phones to automate parts of the forest inventory process assumes that tree trunks are well-spaced and visually unoccluded, or else requires manual intervention or offline processing to identify and measure tree trunks. In this paper, we design an algorithm that exploits a low-cost smartphone LiDAR sensor to estimate trunk diameter automatically from a single image in complex and realistic field conditions. We implement our design and build it into an app on a Huawei P30 Pro smartphone, demonstrating that the algorithm has low enough computational cost to run on this commodity platform in near real-time. We evaluate our app in three different forests across three seasons and find that in a corpus of 97 sample tree images, our app estimates trunk diameter with RMSE of 3.7 cm (R2 = .97; 8.0% mean error) compared to manual DBH measurement. It achieves a 100% tree detection rate while reducing surveyor time by up to a factor of 4.6. Our work contributes to the search for a low-cost, low-expertise alternative to Terrestrial Laser Scanning that is nonetheless robust and efficient enough to compete with manual methods. We highlight the challenges that low-end mobile depth scanners face in occluded conditions and offer a lightweight, fully automatic approach for segmenting depth images and estimating trunk diameter despite these challenges. Our approach lowers the barriers to in situ forest measurement outside of an urban or plantation context, maintaining a tree detection and accuracy rate comparable to previous mobile phone methods even in complex forest conditions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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 ».