Estimation of forage biomass and vegetation cover in grasslands using UAV imagery
Notice bibliographique
Résumé
Grasslands are among the most widespread ecosystems on Earth and among the most degraded. Their characterization and monitoring are generally based on field measurements, which are incomplete spatially and temporally. The recent advent of unmanned aerial vehicles (UAV) provides data at unprecedented spatial and temporal resolutions. This study aims to test and compare three approaches based on multispectral imagery acquired by UAV to estimate forage biomass or vegetation cover in grasslands. The study site is composed of 30 pasture plots (25 × 50 m), 5 bare soil plots (25 x 50), and 6 control plots (5 × 5 m) on a 14-ha field maintained at various biomass levels by grazing rotations and clipping over a complete growing season. A total of 14 flights were performed. A first approach based on structure from motion was used to generate a volumetric-based biomass estimation model (R2 of 0.93 and 0.94 for fresh biomass [FM] and dry biomass [DM], respectively). This approach is not very sensitive to low vegetation levels but is accurate for FM estimation greater than 0.5 kg/m2 (0.1 kg DM/m2). The Green Normalized Difference Vegetation Index (GNDVI) was selected to develop two additional approaches. One is based on a regression biomass prediction model (R2 of 0.80 and 0.66 for FM and DM, respectively) and leads to an accurate estimation at levels of FM lower than 3 kg/m2 (0.6 kg DM/m2). The other approach is based on a classification of vegetation cover from clustering of GNDVI values in four classes. This approach is more qualitative than the other ones but more robust and generalizable. These three approaches are relatively simple to use and applicable in an operational context. They are also complementary and can be adapted to specific applications in grassland characterization.
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 ».