A comparison of drone imagery and ground-based methods for estimating the extent of habitat destruction by lesser snow geese (Anser caerulescens caerulescens) in La Pérouse Bay
Notice bibliographique
Résumé
Lesser snow goose (Anser caerulescens caerulescens) populations have dramatically altered vegetation communities through increased foraging pressure. In remote regions, regular habitat assessments are logistically challenging and time consuming. Drones are increasingly being used by ecologists to conduct habitat assessments, but reliance on georeferenced data as ground truth may not always be feasible. We estimated goose habitat degradation using photointerpretation of drone imagery and compared estimates to those made with ground-based linear transects. In July 2016, we surveyed five study plots in La Pérouse Bay, Manitoba, to evaluate the effectiveness of a fixed-wing drone with simple Red Green Blue (RGB) imagery for evaluating habitat degradation by snow geese. Ground-based land cover data was collected and grouped into barren, shrub, or non-shrub categories. We compared estimates between ground-based transects and those made from unsupervised classification of drone imagery collected at altitudes of 75, 100, and 120 m above ground level (ground sampling distances of 2.4, 3.2, and 3.8 cm respectively). We found large time savings during the data collection step of drone surveys, but these savings were ultimately lost during imagery processing. Based on photointerpretation, overall accuracy of drone imagery was generally high (88.8% to 92.0%) and Kappa coefficients were similar to previously published habitat assessments from drone imagery. Mixed model estimates indicated 75m drone imagery overestimated barren (F2,182 = 100.03, P < 0.0001) and shrub classes (F2,182 = 160.16, P < 0.0001) compared to ground estimates. Inconspicuous graminoid and forb species (non-shrubs) were difficult to detect from drone imagery and were underestimated compared to ground-based transects (F2,182 = 843.77, P < 0.0001). Our findings corroborate previous findings, and that simple RGB imagery is useful for evaluating broad scale goose damage, and may play an important role in measuring habitat destruction by geese and other agents of environmental change.
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 | 0,001 | 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 ».