Measuring Vegetation Height in Linear Disturbances in the Boreal Forest with UAV Photogrammetry
Notice bibliographique
Résumé
Monitoring vegetation recovery typically requires ground measurements of vegetation height, which is labor-intensive and time-consuming. Recently, unmanned aerial vehicles (UAVs) have shown great promise for characterizing vegetation in a cost-efficient way, but the literature on specific methods and cost savings is scant. In this study, we surveyed vegetation height on seismic lines in Alberta’s Boreal Forest using a point-intercept sampling strategy, and compared them to height estimates derived from UAV-based photogrammetric point clouds. In order to derive UAV-based vegetation height, we tested three different approaches to estimate terrain elevation: (1) UAV_RTK, where photogrammetric point clouds were normalized using terrain measurements obtained from a real-time kinematic global navigation satellite system (RTK GNSS) surveys; (2) UAV_LiDAR, where photogrammetric data were normalized using pre-existing LiDAR (Light Detection and Ranging) data; and (3) UAV_UAV, where UAV photogrammetry data were used alone. Comparisons were done at two scales: point level (n = 1743) and site level (n = 30). The point-level root-mean-square errors (RMSEs) of UAV_RTK, UAV_LiDAR, and UAV_UAV were 28 cm, 31 cm, and 30 cm, respectively. The site-level RMSEs were 11 cm, 15 cm, and 8 cm, respectively. At the aggregated site level, we found that UAV photogrammetry could replace traditional field-based vegetation surveys of mean vegetation height across the range of conditions assessed in this study, with an RMSE less than 10 cm. Cost analysis indicates that using UAV-based point clouds is more cost-effective than traditional field vegetation surveys.
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 | 0,000 | 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 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 ».