Improved Accuracy of Riparian Zone Mapping Using Near Ground Unmanned Aerial Vehicle and Photogrammetry Method
Notice bibliographique
Résumé
In agriculture-dominant watersheds, riparian ecosystems provide a wide array of benefits such as reducing soil erosion, filtering chemical compounds, and retaining sediments. Traditionally, the boundaries of riparian zones could be estimated from Digital Elevation Models (DEMs) or field surveys. In this study, we used an Unmanned Aerial Vehicle (UAV) and photogrammetry method to map the boundaries of riparian zones. We first obtained the 3D digital surface model with a UAV. We applied the Vertical Distance to Channel Network (VDTCN) as a classifier to delineate the boundaries of the riparian area in an agricultural watershed. The same method was also used with a low-resolution DEM obtained with traditional photogrammetry and two more LiDAR-derived DEMs, and the results of different methods were compared. Results indicated that higher resolution UAV-derived DEM achieved a high agreement with the field-measured riparian zone. The accuracy achieved (Kappa Coefficient, KC = 63%) with the UAV-derived DEM was comparable with high-resolution LiDAR-derived DEMs and significantly higher than the prediction accuracy based on traditional low-resolution DEMs obtained with high altitude aerial photos (KC = 25%). We also found that the presence of a dense herbaceous layer on the ground could cause errors in riparian zone delineation with VDTCN for both low altitude UAV and LiDAR data. Nevertheless, the study indicated that using the VDTCN as a classifier combined with a UAV-derived DEM is a suitable approach for mapping riparian zones and can be used for precision agriculture and environmental protection over agricultural landscapes.
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 ».