Unmanned Aerial System and Machine Learning Techniques Help to Detect Dead Woody Components in a Tropical Dry Forest
Notice bibliographique
Résumé
Background and Objectives: Increased frequency and intensity of drought events are predicted to occur throughout the world because of climate change. These extreme climate events result in higher tree mortality and fraction of dead woody components, phenomena that are currently being reported worldwide as critical indicators of the impacts of climate change on forest diversity and function. In this paper, we assess the accuracy and processing times of ten machine learning (ML) techniques, applied to multispectral unmanned aerial vehicle (UAV) data to detect dead canopy woody components. Materials and Methods: This work was conducted on five secondary dry forest plots located at the Santa Rosa National Park Environmental Monitoring Super Site, Costa Rica. Results: The coverage of dead woody components at the selected secondary dry forest plots was estimated to range from 4.8% to 16.1%, with no differences between the successional stages. Of the ten ML techniques, the support vector machine with radial kernel (SVMR) and random forests (RF) provided the highest accuracies (0.982 vs. 0.98, respectively). Of these two ML algorithms, the processing time of SVMR was longer than the processing time of RF (8735.64 s vs. 989 s). Conclusions: Our results demonstrate that it is feasible to detect and quantify dead woody components, such as dead stands and fallen trees, using a combination of high-resolution UAV data and ML algorithms. Using this technology, accuracy values higher than 95% were achieved. However, it is important to account for a series of factors, such as the optimization of the tuning parameters of the ML algorithms, the environmental conditions and the time of the UAV data acquisition.
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 | 0,000 |
| 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 ».