Northern Conifer Forest Species Classification Using Multispectral Data Acquired from an Unmanned Aerial Vehicle
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
Object-based image analysis and machine learning classification procedures, after field calibration and photogrammetric processing of consumer-grade unmanned aerial vehicle (<small>UAV</small>) digital camera data, were implemented to classify tree species in a conifer forest in the Great Lakes/St Lawrence Lowlands Ecoregion, Ontario, Canada. A red-green-blue (<small>RGB</small>) digital camera yielded approximately 72 percent classification accuracy for three commercial tree species and one conifer shrub. Accuracy improved approximately 15 percent, to 87 percent overall, with higher radiometric quality data acquired separately using a digital camera that included near infrared observations (at a lower spatial resolution). Interpretation of the point cloud, spectral, texture and object (tree crown) classification Variable Importance (<small>VI</small>) selected by a machine learning algorithm suggested a good correspondence with the traditional aerial photointerpretation cues used in the development of well-established large-scale photography northern conifer elimination keys, which use three-dimensional crown shape, spectral response (tone), texture derivatives to quantify branching characteristics, and crown size, development and outline features. These results suggest that commonly available consumer-grade <small>UAV</small>-based digital cameras can be used with object-based image analysis to obtain acceptable conifer species classification accuracy to support operational forest inventory applications.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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