Ik heb het Tree Detection deep learning-pakket gebruikt op onze luchtfoto's zonder bladeren uit 2022 om een uitvoer te produceren van ongeveer 116.000 boomvakken binnen mijn studiegebied. Ik berekende oppervlakte, gemiddelde groenheid, gemiddelde infrarood en gemiddelde LiDAR-intensiteit voor elk boomkroonvak met behulp van zonale statistieken als tabel. Na het maken van enkele selecties van naaldbomenvakken en het inspecteren van histogrammen, spreidingsdiagrammen en boxplots, kon ik een query opstellen om naaldbomen redelijk goed te selecteren:<\/P>
Oppervlakte <=1000 EN Intensiteit >=40 EN GemiddeldeIR >=84 <\/P>
Opmerking: groen uit de 3-band beelden was niet bruikbaar vanwege een groot aantal bijna witte loofbomen met hoge groene waarden, dus werd IR uit de beelden van 2021 gebruikt.<\/P>
Dit was een iteratief proces van proberen en fouten maken en ik vroeg me af wat ik nog meer kon doen om tot de magische getallen te komen. Ik kan waarschijnlijk een nieuw model trainen met een set zorgvuldig geselecteerde naaldbomenvakken, maar voorlopig zoek ik suggesties voor dit proces.<\/P>
De groene vakken in de bijgevoegde video tonen alle bomen, terwijl de gele vakken die later worden getoond de naaldbomen zijn die uit de query voortkomen.<\/P>
