Vegetation monitoring using multispectral sensors – best practices and lessons learned from high latitudes
Notice bibliographique
Résumé
Abstract Emerging drone technologies have the potential to revolutionise ecological monitoring. The rapid technological advances in recent years have dramatically increased affordability and ease of use of Unmanned Aerial Vehicles (UAVs) and associated sensors. Compact multispectral sensors, such as the Parrot Sequoia (Paris, France) and MicaSense RedEdge (Seattle WA, USA) capture spectrally accurate high-resolution (fine grain) imagery in visible and near-infrared parts of the electromagnetic spectrum, providing supplement to satellite and aircraft-based imagery. Observations of surface reflectance can be used to calculate vegetation indices such as the Normalised Difference Vegetation Index (NDVI) for productivity estimates and vegetation classification. Despite the advances in technology, challenges remain in capturing consistently high-quality data, particularly when operating in extreme environments such as the high latitudes. Here, we summarize three years of ecological monitoring with drone-based multispectral sensors in the remote Canadian Arctic. We discuss challenges, technical aspects and practical considerations, and highlight best practices that emerged from our experience, including: flight planning, factoring in weather conditions, and geolocation and radiometric calibration. We propose a standardised methodology based on established principles from remote sensing and our collective field experiences, using the Parrot Sequoia sensor as an example. With these good practises, multispectral sensors can provide meaningful spatial data that is reproducible and comparable across space and time.
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 | 0,001 |
| 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 ».