Investigating species composition in a temperate grassland using Unmanned Aerial Vehicle-acquired imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Species composition has been studied extensively in different ecosystems for investigating biodiversity and evaluating ecosystem health conditions. Remote sensing imagery is an important data source for investigating species composition, owing to its large spatial coverage and continuous data acquisition. However, commonly-used remote sensing images acquired by satellite (e.g., Landsat, Quickbird) or airplane have a spatial resolution lower than 0.5m, and are thus not capable of resolving characteristically small features. This poses a particular challenge in grassland ecosystems, since grassland species are typically small in size and highly mixed. Unmanned Aerial Vehicle (UAV) is an emerging technology in recent decades that can acquire imagery with ultra-high spatial resolution (sub-decimeter). Therefore, UAV-acquired imagery facilitates fine-scale species classification. This study classified two UAV-acquired images obtained at different times during the vegetation-growing cycle for species investigation in a temperate grassland. The classification approach utilized in this process was object-oriented classification, which is capable of identifying ground covers using spectral, spatial, and textural information. Classification and Regression Tree (CART) was applied for feature selection, which is an essential step in determining optimal features for classifiers. The dominant species in the study area were classified with an overall accuracy higher than 80%. Spatial and temporal variations of dominant species were analyzed, and their potential influencing factors (e.g., topographic condition, soil moisture) were also examined. Challenges of using UAV-acquired imagery and the object-oriented technique for species classification were summarized at the end of this paper.
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.
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 | 0,000 | 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 | 0,000 | 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 découle