LiDAR plots - A new large-area data collection option: context, concepts, and case study, Canadian Remote Sensing Journal
Notice bibliographique
Résumé
Abstract. Forests are an important global resource, playing key roles in both the environment and the economy. The implementation of quality national monitoring programs is required for the generation of robust national statistics, which in turn support global reporting. Conventional monitoring initiatives based on samples of field plots have proven robust but are difficult and costly to implement and maintain, especially for large jurisdictions or where access is difficult. To address this problem, air photo- and satellite-based large area mapping and monitoring programs have been developed; however, these programs also require ground measurements for calibration and validation. To mitigate this need for ground plot data we propose the collection and integration of light detection and ranging (lidar) based plot data. Lidar enables accurate measures of vertical forest structure, including canopy height, volume, and biomass. Rather than acquiring wall-to-wall lidar coverage, we propose the acquisition of a sample of scanned lidar transects to estimate conditions over large areas. Given an appropriate sampling framework, statistics can be generated from the lidar plots extracted from the transects. In other instances, the lidar plots may be treated similar to ground plots, providing locally relevant information that can be used independently or integrated with other data sources, including optical remotely sensed data. In this study we introduce the concept of ‘‘lidar plots’ ’ to support forest inventory and scientific applications, particularly for large areas. Many elements must be considered when planning a transect-based lidar survey, including survey design, flight and sensor parameters, acquisition considerations, mass data processing, and database development.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».