MétaCan
Menu
Retour à la cohorte
Enregistrement W3033414571 · doi:10.3390/rs12111850

Assessing the Operation Parameters of a Low-altitude UAV for the Collection of NDVI Values Over a Paddy Rice Field

2020· article· en· W3033414571 sur OpenAlexaff
Rui Jiang, Pei Wang, Yan Xu, Zhiyan Zhou, Xiwen Luo, Yubin Lan, Genping Zhao, Arturo Sánchez‐Azofeifa, Kati Laakso

Notice bibliographique

RevueRemote Sensing · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Key Research and Development Program of ChinaChina Agricultural UniversitySouth China Agricultural UniversityNational Natural Science Foundation of China
Mots-clésNormalized Difference Vegetation IndexEnvironmental scienceRemote sensingPaddy fieldAltitude (triangle)Vegetation IndexLow altitudeScale (ratio)Agricultural engineeringMathematicsLeaf area indexGeographyAgronomyCartographyEngineering

Résumé

récupéré en direct d'OpenAlex

Unmanned aerial vehicle (UAV) remote sensing platforms allow for normalized difference vegetation index (NDVI) values to be mapped with a relatively high resolution, therefore enabling an unforeseeable ability to evaluate the influence of the operation parameters on the quality of the thus acquired data. In order to better understand the effects of these parameters, we made a comprehensive evaluation on the effects of the solar zenith angle (SZA), the time of day (TOD), the flight altitude (FA) and the growth level of paddy rice at a pixel-scale on UAV-acquired NDVI values. Our results show that: (1) there was an inverse relationship between the FA (≤100 m) and the mean NDVI values, (2) TOD and SZA had a greater impact on UAV–NDVIs than the FA and the growth level; (3) Better growth levels of rice—measured using the NDVI—could reduce the effects of the FA, TOD and SZA. We expect that our results could be used to better plan flight campaigns that aim to collect NDVI values over paddy rice fields.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,870
Score d'incertitude au seuil0,233

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,291
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207