A Systematic Review of the Factors Influencing the Estimation of Vegetation Aboveground Biomass Using Unmanned Aerial Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Interest in the use of unmanned aerial systems (UAS) to estimate the aboveground biomass (AGB) of vegetation in agricultural and non-agricultural settings is growing rapidly but there is no standardized methodology for planning, collecting and analyzing UAS data for this purpose. We synthesized 46 studies from the peer-reviewed literature to provide the first-ever review on the subject. Our analysis showed that spectral and structural data from UAS imagery can accurately estimate vegetation biomass in a variety of settings, especially when both data types are combined. Vegetation-height metrics are useful for trees, while metrics of variation in structure or volume are better for non-woody vegetation. Multispectral indices using NIR and red-edge wavelengths normally have strong relationships with AGB but RGB-based indices often outperform them in models. Including measures of image texture can improve model accuracy for vegetation with heterogeneous canopies. Vegetation growth structure and phenological stage strongly influence model accuracy and the selection of useful metrics and should be considered carefully. Additional factors related to the study environment, data collection and analytical approach also impact biomass estimation and need to be considered throughout the workflow. Our review shows that UASs provide a capable tool for fine-scale, spatially explicit estimations of vegetation AGB and are an ideal complement to existing ground- and satellite-based approaches. We recommend future studies aimed at emerging UAS technologies and at evaluating the effect of vegetation type and growth stages on AGB estimation.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 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 découle