Individual tree species prediction using airborne laser scanning data and derived point-cloud metrics within a dual-stream deep learning approach
Notice bibliographique
Résumé
• Framework for automated generation of point-cloud segmentation and species labeling. • Novel dual-stream deep learning model for predicting tree species from point-clouds. • Comparative evaluation of point-based deep learning layers for species prediction. • Inclusion of point-cloud metrics in model improved accuracy by ∼ 11 % Accurate tree species mapping is essential for effective forest management but is often constrained by manual, labour-intensive workflows that limit scalability. While airborne laser scanning (ALS) supports large-scale forest attribute prediction, species classification remains difficult in complex, multi-species forests. To address this, we propose an automated, data-driven dual-stream deep learning framework that integrates ALS data with point-cloud metrics to identify individual tree species. Our framework incorporates an automated approach to individual tree segmentation and species labelling using existing forest inventory and field data, resulting in a dataset of 16,269 labelled individual tree point-clouds of four species across a 630,000 ha boreal mixed species forest in Ontario, Canada. Our dual-stream deep learning model integrates a Point Extractor to generate feature representations from raw ALS point-clouds and a complementary Metrics Network to process the point-cloud metrics. Results, based on the split test set of 2441 trees, showed that the inclusion of the Metrics Network improved tree species classification accuracy by approximately 11 % compared to models that rely solely on the Point Extractor. A weighted F1-score of 0.70 and area under the receiver operating characteristic curve of 0.88 was achieved using this dual-stream approach, along with enhanced predictive probabilities for all species thus improving the reliability of the predicted results. This approach reduces the manual processing bottleneck of individual tree segmentation and labelling and demonstrates the value of combining raw point-clouds and point-cloud metrics into a deep learning framework, offering a scalable and operational solution for reliable species predictions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».