Using Campus-wide LiDAR to Map and Characterize Understory at the University British Columbia Vancouver Campus
Notice bibliographique
Résumé
In response to the pressing need to address biodiversity loss and mitigate the impacts of climate change, recent studies have explored the role of understory vegetation in urban green spaces. Despite its importance, understory vegetation is often ignored in current inventories of urban green spaces. The University of British Columbia (UBC) seeks to characterize understory vegetation on campus and apply strategies for mitigating the climate change effect in specific hot spot areas. This study investigated the understory community of the UBC Vancouver campus by (1) mapping the height and height variation of the understory plant in the northern part of the UBC Vancouver campus by extracting campus-wide LiDAR data, and (2) generating complexity analysis near Saltwater residences based on field observation and height data retrieved from the LiDAR point cloud. Four metrics were identified to characterize understory structure complexity, including understory coverage, height variation, understory species diversity, and species rarity. Results indicate that over 50% of the understory in the study area was less than 0.8 meters in height. While understory plants grown near buildings showed relatively higher height variability (ranging from 0.35 to 0.69m), the distribution of understory height was not dependent on spatial location, and there was no clear pattern of similarity in the structural complexity between neighboring areas on the UBC campus. More species with a higher ecological value such as the Tall Oregon grape could be planted near saltwater residences to better combat climate change. Overall, this study demonstrates the potential of LiDAR to model and visualize understory vegetation structure and provides a methodology for conducting its structural analysis on the UBC Vancouver campus.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».