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 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 | 0,000 | 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 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 ».