Canopy Assessment of Cycling Routes: Comparison of Videos from a Bicycle-Mounted Camera and GPS and Satellite Imagery
Notice bibliographique
Résumé
Many studies have proven that urban greenness is an important factor when cyclists choose a route. Thus, detecting trees along a cycling route is a major key to assessing the quality of cycling routes and providing further arguments to improve ridership and the better design of cycling routes. The rise in the use of video recordings in data collection provides access to a new point of view of a city, with data recorded at eye level. This method may be superior to the commonly used normalized difference vegetation index (NDVI) from satellite imagery because satellite images are costly to obtain and cloud cover sometimes obscures the view. This study has two objectives: (1) to assess the number of trees along a cycling route using software object detection on videos, particularly the Detectron2 library, and (2) to compare the detected canopy on the videos to other canopy data to determine if they are comparable. Using bicycles installed with cameras and GPS, four participants cycled on 141 predefined routes in Montréal over 87 h for a total of 1199 km. More than 300,000 images were extracted and analyzed using Detectron2. The results show that the detection of trees using the software is accurate. Moreover, the comparison reveals a strong correlation (>0.75) between the two datasets. This means that the canopy data could be replaced by video-detected trees, which is particularly relevant in cities where open GIS data on street vegetation are not available.
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 | 0,001 |
| 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 ».