The comparison between the predicti

The comparison between the predictions of LiDAR and the observations in the field (354 trees) confirmed that the ALS underpredicted individual tree heights by 7 to 8%. The analysis of the residuals did not show any bias in the data and the relationship proved to be fairly consistent for all the tree diameter ranges. The tree height recovery model created from the linear relationship was able to predict 73% of all the heights within 1 m; 91% within 1.5 m and 96% within 2 m. The analysis of the results proved consistent in all the diameter distributions (Table 1). The largest variations were obtained in diameters between 20 and 30 cm due to the low number of trees in this diameter range and the existence of a few outliers. In the smallest diameters, the relationship between predictions and observations seem to suggest that LiDAR can predict tree tops more efficiently that in the case of the larger trees. A possible explanation could be the small number of observations in this range. Another explanation related to the fact that these trees are generally sub-dominants. That means they have canopy heights below the mean height of the surrounding trees. As they tend to grow near the bigger trees our method of classification seems to misinterpret the information retrieve for these trees

Finally, our method of classification did not seem to map canopy dimensions at individual tree level. The segmentation method created a group of polygons that represented each individual tree. Nevertheless, the subsequent classification was not able to discriminate individual each canopy dimensions in a 2-D plane. Therefore, more work should be done in order to estimate diameter distributions and volume from current models that link canopy architecture with diameter classes

ผลลัพธ์ (ไทย) 1:

การเปรียบเทียบระหว่างการคาดการณ์ของ LiDAR และสังเกตการณ์ในฟิลด์ (354 ต้นไม้) ยืนยันว่า ALS ที่ underpredicted แต่ละต้นสูง 7-8% การวิเคราะห์ของเหลือไม่ได้แสดงความเอนเอียงใด ๆ ในข้อมูลและความสัมพันธ์ที่เป็นธรรมสอดคล้องกันสำหรับช่วงเส้นผ่าศูนย์กลางของต้นไม้ทั้งหมด โมเดลการกู้คืนความสูงต้นไม้ที่สร้างขึ้นจากความสัมพันธ์เชิงเส้นมาทำนาย 73% ของความสูงทั้งหมดภายใน 1 m 91% ในระยะ 1.5 เมตรและ 96% ภายใน 2 เมตร วิเคราะห์ผลการพิสูจน์ความสอดคล้องในการเส้นผ่าศูนย์กลางการกระจายทั้งหมด (ตารางที่ 1) รูปแบบที่ใหญ่ที่สุดได้รับในขนาดระหว่าง 20 และ 30 ซม.เนื่องจากจำนวนต้นไม้ในช่วงนี้เส้นผ่าศูนย์กลางต่ำและการดำรงอยู่ของ outliers กี่ ในขนาดที่เล็กที่สุด ความสัมพันธ์ระหว่างการคาดการณ์และการสังเกตดูเหมือนจะ แนะนำว่า LiDAR สามารถทำนายทรีท็อปส์มีประสิทธิภาพมากขึ้นที่ในกรณีที่ต้นไม้ใหญ่ คำอธิบายที่เป็นไปได้อาจจะสังเกตในช่วงนี้จำนวนน้อย คำอธิบายอื่นที่เกี่ยวข้องกับความจริงที่ว่า ต้นไม้เหล่านี้มักย่อย dominants นั่นหมายความว่า พวกเขามีความสูงหลังคาด้านล่างหมายถึงความสูงของต้นไม้โดยรอบ เป็นพวกเขามีแนวโน้มจะเติบโตใกล้ต้นไม้ใหญ่ วิธีการจัดประเภทของเราดูเหมือนว่า misinterpret ดึงข้อมูลสำหรับต้นไม้เหล่านี้ ในที่สุด วิธีการจัดประเภทของเราไม่ได้ดูเหมือนจะ แมปขนาดหลังคาต้นไม้แต่ละระดับ แบ่งวิธีการสร้างรูปหลายเหลี่ยมที่แสดงต้นไม้แต่ละต้นแต่ละกลุ่ม แต่ การจัดประเภทตามมาก็ไม่สามารถที่จะแยกแยะแต่ละขนาดแต่ละหลังคาในระนาบ 2 มิติการ ดังนั้น ควรจะทำงานเพื่อประเมินการกระจายขนาดและปริมาณจากรุ่นปัจจุบันที่เชื่อมโยงสถาปัตยกรรมหลังคากับเส้นผ่าศูนย์กลาง

ผลลัพธ์ (ไทย) 2:

การเปรียบเทียบระหว่างการคาดการณ์ของ LiDAR และข้อสังเกตในสนาม (354 ต้นไม้) ยืนยันว่า ALS underpredicted ความสูงของต้นไม้แต่ละบุคคลโดย 7-8% การวิเคราะห์ความคลาดเคลื่อนไม่ได้แสดงอคติใด ๆ ในข้อมูลและความสัมพันธ์การพิสูจน์แล้วว่าเป็นธรรมที่สอดคล้องกันสำหรับทุกช่วงเส้นผ่าศูนย์กลางต้นไม้ รูปแบบการกู้คืนความสูงของต้นไม้ที่สร้างขึ้นจากความสัมพันธ์เชิงเส้นก็สามารถที่จะคาดการณ์ 73% ของความสูงทั้งหมดภายใน 1 เมตร; 91% ภายใน 1.5 เมตรและ 96% ภายใน 2 เมตร การวิเคราะห์ผลการพิสูจน์ที่สอดคล้องกันในทุกการกระจายขนาดเส้นผ่าศูนย์กลาง (ตารางที่ 1) รูปแบบที่ใหญ่ที่สุดที่ได้รับในขนาดเส้นผ่าศูนย์กลางระหว่างวันที่ 20 และ 30 ซม. เนื่องจากจำนวนที่ต่ำของต้นไม้ในช่วงเส้นผ่าศูนย์กลางนี้และการดำรงอยู่ของค่าผิดปกติไม่กี่ที่ ขนาดเส้นผ่าศูนย์กลางเล็กที่สุดความสัมพันธ์ระหว่างการคาดการณ์และการสังเกตดูเหมือนจะชี้ให้เห็นว่า LiDAR สามารถคาดการณ์ยอดไม้ได้อย่างมีประสิทธิภาพมากขึ้นว่าในกรณีของต้นไม้ขนาดใหญ่ คำอธิบายที่เป็นไปได้อาจจะเป็นจำนวนเล็ก ๆ ของการสังเกตในช่วงนี้ อีกสาเหตุหนึ่งที่เกี่ยวข้องกับความจริงที่ว่าต้นไม้เหล่านี้มักจะ-dominants ย่อย นั่นหมายความว่าพวกเขามีความสูงหลังคาด้านล่างความสูงเฉลี่ยของต้นไม้โดยรอบ ขณะที่พวกเขามีแนวโน้มที่จะเติบโตใกล้ต้นไม้ใหญ่กว่าวิธีการจัดหมวดหมู่ของเราดูเหมือนว่าจะตีความผิดข้อมูลที่ดึงสำหรับต้นไม้เหล่านี้

ในที่สุดวิธีการจัดหมวดหมู่ของเราไม่ได้ดูเหมือนจะ map ขนาดทรงพุ่มต้นไม้ในระดับบุคคล วิธีการแบ่งส่วนที่สร้างขึ้นในกลุ่มของรูปหลายเหลี่ยมที่เป็นตัวแทนต้นไม้แต่ละบุคคล อย่างไรก็ตามการจัดหมวดหมู่ตามมาไม่สามารถที่จะเห็นความแตกต่างของแต่ละบุคคลในแต่ละมิติหลังคาใน 2 มิติเครื่องบิน ดังนั้นการทำงานมากขึ้นควรจะทำในการสั่งซื้อเพื่อประเมินการกระจายขนาดเส้นผ่าศูนย์กลางและปริมาณจากรุ่นปัจจุบันที่เชื่อมโยงสถาปัตยกรรมหลังคากับชั้นเรียนขนาดเส้นผ่าศูนย์กลาง

ผลลัพธ์ (ไทย) 3:

การเปรียบเทียบระหว่างการคาดการณ์ของ lidar และการสังเกตภาคสนาม ( หรือต้นไม้ ) ยืนยันว่า หาก underpredicted ความสูงต้นไม้ส่วนบุคคลโดย 7 ถึง 8 เปอร์เซ็นต์ การวิเคราะห์ความคลาดเคลื่อนไม่แสดงความลำเอียงในข้อมูล และความสัมพันธ์ที่พิสูจน์แล้วว่าเป็นค่อนข้างสอดคล้องกันในช่วงต้นเส้นผ่าศูนย์กลางทั้งหมด ต้นไม้สูงรูปแบบการกู้คืนที่สร้างขึ้นจากความสัมพันธ์เชิงพยากรณ์ได้ร้อยละ 73 ของความสูงทั้งหมดภายใน 1 M ; 91 % ภายใน 1.5 m และ 96% ภายใน 2 เมตร การวิเคราะห์ผลพิสูจน์ที่สอดคล้องกันในการทั้งหมดเส้นผ่าศูนย์กลาง ( ตารางที่ 1 ) การเปลี่ยนแปลงที่ใหญ่ที่สุดที่ได้รับในขนาดระหว่าง 20 และ 30 เซนติเมตร เนื่องจากการต่ำจำนวนของต้นไม้ในช่วงเส้นผ่าศูนย์กลาง และการดำรงอยู่ของน้อยผิดปกติ . ในเส้นผ่าศูนย์กลางเล็กที่สุด ความสัมพันธ์ระหว่างการคาดการณ์และการสังเกตดูเหมือนจะชี้ให้เห็นว่า LIDAR สามารถทำนาย ทรี ท็อป มีประสิทธิภาพมากขึ้นในกรณีของต้นไม้ใหญ่ คำอธิบายที่เป็นไปได้ อาจ เป็น ขนาดเล็ก จำนวนค่าสังเกตในช่วงนี้ อีกคำอธิบายที่เกี่ยวข้องกับความจริงที่ว่าต้นไม้เหล่านี้โดยทั่วไปมีซับ dominants . นั่นหมายความว่า พวกเขามีหลังคาสูงด้านล่างหมายถึงความสูงของต้นไม้รอบ เช่นที่พวกเขามีแนวโน้มที่จะเติบโตใกล้ต้นไม้ใหญ่ วิธีของเราดูเหมือนจะเข้าใจผิดในข้อมูลการเรียกสำหรับต้นไม้เหล่านี้ในที่สุด วิธีในการจำแนกไม่ได้ดูแผนที่ขนาดทรงพุ่มที่ระดับต้นของแต่ละบุคคล การแบ่งส่วนวิธีการสร้างกลุ่มของรูปหลายเหลี่ยมที่เป็นตัวแทนแต่ละต้นแต่ละ อย่างไรก็ตาม การจัดหมวดหมู่ที่ตามมาไม่สามารถแบ่งแยกแต่ละแต่ละมิติในระนาบ 2 มิติ กันสาด . ดังนั้น งานที่ควรทำ เพื่อประเมินการกระจายขนาดและปริมาณ จากรุ่นปัจจุบันที่เชื่อมโยงหลังคาสถาปัตยกรรมขนาดชั้นเรียน