A Semi-Automated Method to Extract Green and Non-Photosynthetic Vegetation Cover from RGB Images in Mixed Grasslands
Notice bibliographique
Résumé
Green (GV) and non-photosynthetic vegetation (NPV) cover are both important biophysical parameters for grassland research. The current methodology for cover estimation, including subjective visual estimation and digital image analysis, requires human intervention, lacks automation, batch processing capabilities and extraction accuracy. Therefore, this study proposed to develop a method to quantify both GV and standing dead matter (SDM) fraction cover from field-taken digital RGB images with semi-automated batch processing capabilities (i.e., written as a python script) for mixed grasslands with more complex background information including litter, moss, lichen, rocks and soil. The results show that the GV cover extracted by the method developed in this study is superior to that by subjective visual estimation based on the linear relation with normalized vegetation index (NDVI) calculated from field measured hyper-spectra (R2 = 0.846, p < 0.001 for GV cover estimated from RGB images; R2 = 0.711, p < 0.001 for subjective visual estimated GV cover). The results also show that the developed method has great potential to estimate SDM cover with limited effects of light colored understory components including litter, soil crust and bare soil. In addition, the results of this study indicate that subjective visual estimation tends to estimate higher cover for both GV and SDM compared to that estimated from RGB 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».