Visible and thermal infrared remote sensing for the detection of white‐tailed deer using an unmanned aerial system
Notice bibliographique
Résumé
ABSTRACT Wildlife management is based on various measurements representative of the health of populations and their habitats. Some agencies are focusing on animal surveys to manage species such as white‐tailed deer ( Odocoileus virginianus ). Current survey methods are faced with the challenge of reduced operating costs as well as estimating and correcting detection biases. Our pilot study (data collected on 6 Nov 2012 at Saint‐David‐de‐Falardeau, QC, Canada) assessed the potential of a new approach detect and count deer based on visible and thermal infrared image processing at very‐high spatial resolutions using an unmanned aerial system (UAS). Supervised and unsupervised pixel‐based image classification approaches as well as object‐based image analysis (OBIA) were assessed for different spatial resolutions and with different combinations of spectral bands. None of the pixel‐based approaches were effective for detecting deer. The OBIA approach detected deer with a rate of up to 100% under the best conditions by using a combination of visible and thermal infrared imagery at a spatial resolution of 0.8 cm/pixel. Overall, this approach had an average detection rate of 0.5, which is comparable to conventional aerial surveys. Visual obstructions by coniferous canopy and the spectral confusion associated with certain elements (e.g., bare soil, rocks) are problems that remain unresolved. Using UASs with image processing for surveys of deer and other species of large mammals is promising, but currently limited by the flight range of unmanned aerial vehicles and the associated regulations. © 2016 The Wildlife Society.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».