Stability of Surface LiDAR Height Estimates on a Point and Polygon Basis(<Special Issue>Silvilaser)
Notice bibliographique
Résumé
Airborne scanning LiDAR (Light Detection and Ranging) data has significant potential to update, audit, calibrate, and validate operational stand-level forest inventories by providing information on canopy height, vertical structure, and ground elevation. However, using LiDAR data as an operational data source in a sampling context requires repeatable and consistent attribute estimation (i.e. height), from data collected over several acquisition flight lines. We examined the consistency of LiDAR height estimates obtained from the Scanning LiDAR Imager of Canopies by Echo Recovery (SLICER) instrument over Jack pine (Pinus banksiana, var. Lamb) and black spruce (Picea mariana, var. Mill.) forest stands in central Saskatchewan, Canada. Two analyses were undertaken: first, estimated tree heights derived from pairs of LiDAR returns, acquired from multiple flight lines and within 9m of a single LiDAR footprint, were compared to assess the consistency of height estimates (point stability); secondly, height estimates from multiple flight lines within individual forest inventory polygons were compared to assess the consistency of within-polygon estimates of tree height (polygon stability). The point stability analysis indicated that over all forest classes estimates of height were consistent, with 94% of LiDAR returns (n=15,896) having a pair-wise height difference within ±5m. On a polygon basis, both between- and within-flight line standard deviations were considered. Results indicated that the within-polygon variability in estimated tree heights was captured by LiDAR data collected over any portion of a polygon. This result suggests that the inventory polygons are homogenous with regards to height (and related variability) and may be characterized with LiDAR, independent of actual flight path.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».