Urban Roadside Tree Inventory Using a Mobile Laser Scanning System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
the road environment. Thus, effective methods are needed for the MLS data processing. \nThe main goal of this thesis is to establish a feasible workflow by testing a series of methods to extract geometrical information of roadside trees from the MLS-acquired point clouds. The workflow developed in this study consists of three parts. The first part deals with ground point removal. As such, only off-ground points are used to extract trees. The second part handles tree detection by comparing four segmentation and clustering methods: the Euclidian distance clustering algorithm, the region growing segmentation method, the normalized cut (Ncut) method, and the supervoxel-based tree detection method. The third part focuses on automated extraction of tree geometric parameters such as tree height, DBH, crown spread, and horizontal slices features. Finally, classification of tree species was conducted using the k-Nearest Neighbour (k-NN) and the random forests (RF) algorithm. A total of four MLS datasets (three in Xiamen, China and one in Kingston, Ontario) acquired in \niv \n2013 and 2015, respectively, were used to test the developed method. The ground truthing data of DBH estimation were obtained through manual measurement of selected roadside trees after the two MLS missions in Xiamen in the fall 2015. The field surveyed DBH values of the 163 roadside trees were used to estimate the accuracy of the proposed tree extraction method. The 200 manually labeled trees with 8 different species were selected to examine accuracy of the proposed classification method. The results show that over 90% of the roadside trees were correctly detected, with an average error of about 5% in DBH estimation when compared to the field survey, and an overall accuracy of 78% for the classification of tree species.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 découle