USE OF UAV IMAGERY FOR EELGRASS MAPPING IN ATLANTIC CANADA
Notice bibliographique
Résumé
Abstract. Eelgrass beds are critical in coastal ecosystems and can be useful as a measure of nearshore ecosystem health. Population declines have been seen around the world, including in Atlantic Canada. Restoration has the potential to aid the eelgrass population. Traditionally, field-level protocols would be used to monitor restoration; however, using unmanned aerial vehicles (UAVs) would be faster, more cost-efficient, and produce images with higher spatial resolution. This project used RGB UAV imagery and data acquired over five sites with eelgrass beds in the northern part of the Shediac Bay (New Brunswick, Canada). The images were mosaicked using Pix4Dmapper and PCI Geomatica. Each RGB mosaic was tested for the separability of four different classes (eelgrass bed, deep water channels, sand floor, and mud floor), and training areas were created for each class. The Maximum-likelihood classifier was then applied to each mosaic for creating a map of the five sites. With an average and overall accuracy higher than 98% and a Kappa coefficient higher than 0.97, the Pix4D RGB mosaic was superior to the PCI Geomatica RGB mosaic with an average accuracy of 89%, an overall accuracy of 87%, and a Kappa coefficient of 0.83. This study indicates that mapping eelgrass beds with UAV RGB imagery is possible, but that the mosaicking step is critical. However, some factors need to be considered for creating a better map, such as acquiring the images during overcast conditions to reduce the difference in sun illumination, and the effects of glint or cloud shadow on the images.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».