Avaliação do índice de área foliar e índice de área da planta em floresta seca utilizando modelos simplificados em imagens de alta resolução com o uso de VANT
Notice bibliographique
Résumé
O sensoriamento remoto tem possibilitado a aplicação de modelos para estimar variáveis ambientais, dentre eles o índice de área foliar (LAI) e o índice de área da planta (PAI), importantes para avaliação da sazonalidade da vegetação, principalmente em florestas secas. Assim, objetivou-se avaliar o LAI e PAI na caatinga usando imagens aéreas de alta resolução obtidas com um veículo aéreo não tripulado (VANT). Em área de caatinga preservada foram realizados voos com o VANT acoplado com câmeras RGB e RGN. Utilizou-se modelos para estimativa do LAI e PAI tendo como parâmetro de entrada o NDVI. Dados de LAI e PAI a partir do satélite Landsat-8 foram usados para comparação entre os produtos obtidos pelo VANT. A avaliação do NDVI ocorreu por regressão linear (R2=0,993), obtendo NDVI médio da Caatinga de 0,14 e 0,38 com os dados Landsat-8 nos períodos seco e chuvoso; 0,12 e 0,07 com a câmera RGB e RGN do VANT nos períodos seco e 0,65 e 0,27 para período chuvoso. Os dados LAI e o PAI (m2 m-2) representaram bem a área em estudo, obtendo R2=0,992 e R2=0,993 para LAI e PAI, respectivamente. O LAI médio da Caatinga foi 0,19 (período seco) e 0,80 (período chuvoso) pelo Landsat-8; 0,26 e 0,14 com a câmera RGB e RGN do VANT nos períodos secos e 2,18 e 0,48 para o período chuvoso. Já o PAI, os valores médios foram 1,39 e 2,02 com os dados Landsat-8 nos períodos seco e chuvoso; 1,46 e 1,34 com a câmera RGB e RGN do VANT nos períodos seco e 3,42 e 1,69 para o período chuvoso. Desse modo, os modelos calculados com imagens VANT para estimativa do LAI e do PAI da caatinga podem ser aplicados em imagens de alta resolução espacial obtidas em câmeras multiespectrais acopladas em VANT, obtendo resultados satisfatórios. Evaluation of leaf area index and plant area index in dry forest using simplified models in high resolution images using UAVRemote sensing has enabled the application of models to estimate environmental variables, including the leaf area index (LAI) and the plant area index (PAI), which are important for evaluating the seasonality of vegetation, especially in dry forests. Thus, the objective was to evaluate the LAI and PAI in the caatinga using high resolution aerial images obtained with an unmanned aerial vehicle (UAV). In a preserved caatinga area, flights were carried out with the UAV coupled with RGB and RGN cameras. Models were used to estimate the LAI and PAI having the NDVI as input parameter. LAI and PAI data from the Landsat-8 satellite were used to compare the products obtained by the UAV. The evaluation of the NDVI was carried out by linear regression (R2=0.993), obtaining an average NDVI of the Caatinga of 0.14 and 0.38 with the Landsat-8 data in the dry and rainy periods; 0.12 and 0.07 with the UAV's RGB and RGN camera in the dry season and 0.65 and 0.27 for the rainy season. The LAI and PAI data (m2 m-2) represented the study area well, obtaining R2=0.992 and R2=0.993 for LAI and PAI, respectively. The average LAI of the Caatinga was 0.19 (dry season) and 0.80 (rainy season) by Landsat-8; 0.26 and 0.14 with the UAV's RGB and RGN camera in the dry season and 2.18 and 0.48 for the rainy season. As for the PAI, the average values were 1.39 and 2.02 with the Landsat-8 data in the dry and rainy seasons; 1.46 and 1.34 with the UAV's RGB and RGN camera in the dry season and 3.42 and 1.69 for the rainy season. Thus, the models calculated with UAV images to estimate the LAI and PAI of the caatinga can be applied to high spatial resolution images obtained from multispectral cameras coupled to UAVs, obtaining satisfactory results.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».