Object-based analysis of UAS imagery to map emergent and submerged invasive aquatic vegetation: a case study
Notice bibliographique
Résumé
Small unmanned aircraft systems (UAS) combined with automated image analysis may provide an efficient alternative or complement to labour-intensive boat-based monitoring of invasive aquatic vegetation. A small mapping drone was assessed for collecting high-resolution (≤5 cm/pixel) true-colour and near-infrared imagery revealing the distribution of invasive water soldier (Stratiotes aloides) in the Trent–Severn Waterway, Ontario (Canada). We further evaluated the capacity of an object-based image analysis approach based on the Random Forests classification algorithm to map features in the imagery, chiefly emergent and submerged water soldier colonies. The imagery contained flaws and inconsistencies resulting from data collection in suboptimal weather conditions that likely negatively impacted classification performance. Nevertheless, our best-performing classification had a producer’s and user’s accuracy for water soldier of 81% and 74%, respectively, an overall accuracy of 78%, and a kappa value of 61%, indicating “substantial” accuracy. This trial provides an instructive case study on results achieved in a “real-world” application of a UAS for environmental monitoring, notably characterized by time constraints for data collection and analysis. Beyond avoiding data collection in unfavourable weather conditions, adaptations of the image segmentation process and use of a true discrete-band multispectral camera may help to improve classification accuracy, particularly of submerged vegetation.
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 | 0,001 |
| 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 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 ».