A PROCEDURE FOR IDENTIFYING INVASIVE WILD PARSNIP PLANTS BASED ON VISIBLE BANDS FROM UAV IMAGES
Notice bibliographique
Résumé
Abstract. Wild parsnip is an invasive plant that has serious health risks to humans due to the toxin in its sap. Monitoring its presence has been a challenging task for conservation authorities due to its small size and irregular shape. Unmanned Aerial Vehicles (UAV) can obtain ultra-high resolution (UHR) imagery and have been used for vegetation monitoring in recent years. In this study, UAV images captured at Lemoine Point Conservation Area in Kingston, Ontario, are used to test a methodology for distinguishing wild parsnip. The objective of this study is to develop an efficient invasive wild parsnip classification workflow based on UHR digital UAV imagery. Image pre-processing flow includes image orientation, digital elevation model (DEM) and digital surface model (DSM) extractions, and orthomosaicking using Simactive’s software. Three vegetation indices and three texture features are calculated and added to the mosaicked images as additional bands. Image analysis frameworks namely pixel- and object-based method and three classifiers are tested and the object-based Support Vector Machine (SVM) is selected to distinguish wild parsnip from other vegetation types. The optimal image resolutions are undertaken by comparing accuracy assessments. The results provide an executable workflow to distinguish wild parsnip and show that UAV images, with a simple digital camera, are an appropriate and economic resource for small and irregular vegetation detection. This method yields reliable and valid outcomes in detecting wild parsnip plants and demonstrates excellent performance in mapping small vegetation.
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) | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».