Optimal spatial resolution of Unmanned Aerial Vehicle (UAV)-acquired imagery for species classification in a heterogeneous grassland ecosystem
Notice bibliographique
Résumé
Species composition is an essential biophysical attribute of vegetative ecosystems. Unmanned aerial vehicle (UAV)-acquired imagery with ultrahigh spatial resolution is a valuable data source for investigating species composition at a fine scale, which is extremely important for species-mixed ecosystems (e.g., grasslands and wetlands). However, the ultrahigh spatial resolution of UAV imagery also poses challenges in species classification since the imagery captures very detailed information of ground features (e.g., gaps, shadow) which would add substantial noise to image classification. In this study, we obtained multi-temporal UAV imagery with 5 cm resolution and resampled them to acquire imagery with 10, 15, and 20 cm resolution. The images were then utilized for species classification using Geographic Object-Based Image Analysis (GEOBIA) aiming to assess the influence of different imagery spatial resolution on the classification accuracy. Results show that the overall classification accuracy of imagery with 5, 10, and 15 cm resolution are close, while the classification accuracy on 20-cm imagery is much lower. These results are expected because the object features (e.g., vegetation index values and standard deviation) of same species vary slightly between 5 and 15 cm resolution, but not at the 20-cm resolution. We also found that the same species show different producer’s and user’s accuracy when using imagery with different spatial resolutions. These results suggest that it is essential to select the optimal spatial resolution of imagery for investigating a vegetative ecosystem of interest.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».