Optimizing canopy cover evaluation : A machine learning approach using LiDAR data
Ventura, Pau (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius)
Carrillo, Carlos (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius)
Donaire, Alejandro (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius)
Sánchez, Eric (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius)

Data:	2026
Resum:	This article introduces a comprehensive framework that uses LiDAR data and machine learning techniques to predict a range of biophysical variables. The framework is tested explicitly on Canopy Cover. The methodology combines optimized feature engineering, selection, and scalable parallel processing to ensure both accuracy and computational efficiency. The study demonstrates the efficacy of AI-CanopyMapper in accurately predicting canopy cover. The full model achieved a mean absolute error (MAE) of 6. 47% and an of 0. 88. In contrast, the partial model, trained with only 1. 3% of the available data, reached a MAE of approximately 15%, demonstrating strong generalization capabilities even under data-limited conditions. These results confirm that AI-CanopyMapper offers a fast, scalable, and data-efficient framework compared to traditional methods, highlighting its potential applications in forest management and environmental monitoring.
Nota:	Altres ajuts: acords transformatius de la UAB
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Matèria:	Canopy cover ; LiDAR data ; Machine learning
Publicat a:	Environmental modelling & software, Vol. 201 (June 2026) , art. 106982, ISSN 1873-6726

DOI: 10.1016/j.envsoft.2026.106982

14 p, 7.4 MB

El registre apareix a les col·leccions:
Articles > Articles de recerca
Articles > Articles publicats