Implementation of a UAV–Hyperspectral Pushbroom Imager for Ecological Monitoring
Notice bibliographique
Résumé
Hyperspectral remote sensing provides a wealth of data essential for vegetation studies encompassing a wide range of applications (e.g., species diversity, ecosystem monitoring, etc.). The development and implementation of UAV-based hyperspectral systems have gained popularity over the last few years with novel efforts to demonstrate their operability. Here we describe the design, implementation, testing, and early results of the UAV-μCASI system, which showcases a relatively new hyperspectral sensor suitable for ecological studies. The μCASI (288 spectral bands) was integrated with a custom IMU-GNSS data recorder built in-house and mounted on a commercially available hexacopter platform with a gimbal to maximize system stability and minimize image distortion. We deployed the UAV-μCASI at three sites with different ecological characteristics across Canada: The Mer Bleue peatland, an abandoned agricultural field on Ile Grosbois, and the Cowichan Garry Oak Preserve meadow. We examined the attitude data from the flight controller to better understand airframe motion and the effectiveness of the integrated Differential Real Time Kinematic (RTK) GNSS. We describe important aspects of mission planning and show the effectiveness of a bundling adjustment to reduce boresight errors as well as the integration of a digital surface model for image geocorrection to account for parallax effects at the Mer Bleue test site. Finally, we assessed the quality of the radiometrically and atmospherically corrected imagery from the UAV-μCASI and found a close agreement (<2%) between the image derived reflectance and in-situ measurements. Overall, we found that a flight speed of 2.7 m/s, careful mission planning, and the integration of the bundling adjustment were important system characteristics for optimizing the image quality at an ultra-high spatial resolution (3–5 cm). Furthermore, environmental considerations such as wind speed (<5 m/s) and solar illumination also play a critical role in determining image quality. With the growing popularity of “turnkey” UAV-hyperspectral systems on the market, we demonstrate the basic requirements and technical challenges for these systems to be fully operational.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».