Open-Source Analysis of Submerged Aquatic Vegetation Cover in Complex Waters Using High-Resolution Satellite Remote Sensing: An Adaptable Framework
Notice bibliographique
Résumé
Despite being recognized as a key component of shallow-water ecosystems, submerged aquatic vegetation (SAV) remains difficult to monitor over large spatial scales. Because of SAV’s structuring capabilities, high-resolution monitoring of submerged landscapes could generate highly valuable ecological data. Until now, high-resolution remote sensing of SAV has been largely limited to applications within costly image analysis software. In this paper, we propose an example of an adaptable open-sourced object-based image analysis (OBIA) workflow to generate SAV cover maps in complex aquatic environments. Using the R software, QGIS and Orfeo Toolbox, we apply radiometric calibration, atmospheric correction, a de-striping correction, and a hierarchical iterative OBIA random forest classification to generate SAV cover maps based on raw DigitalGlobe multispectral imagery. The workflow is applied to images taken over two spatially complex fluvial lakes in Quebec, Canada, using Quickbird-02 and Worldview-03 satellites. Classification performance based on training sets reveals conservative SAV cover estimates with less than 10% error across all classes except for lower SAV growth forms in the most turbid waters. In light of these results, we conclude that it is possible to monitor SAV distribution using high-resolution remote sensing within an open-sourced environment with a flexible and functional workflow.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».