Citizen science data validates aerial imagery to track the ‘rise and fall’ of woody vegetation through extremes of climate
Notice bibliographique
Résumé
Context Ground truthing remotely sensed imagery for detecting changes in wetland vegetation can be time-consuming and costly for monitoring. Harnessing the resources of citizen scientists (CS) using mobile devices has been under utilised in Australia. Aims The project aimed to test the feasibility and practicality of using CS to collect data using mobile devices to ground truth remotely sensed imagery. Methods Using high-resolution aerial imagery, we detected the establishment of woody vegetation over a 20-year dry phase from 2000 to 2020 in Thirlmere Lakes National Park, NSW, Australia. To ground truth these woody species, we engaged with a local community group using a customised, freely available mobile device application. Key results During the dry event of 2020, CS documented well-established woody species, such as Melaleuca linariifolia (flax-leaved paperbark), amongst the Lepironia articulata grey rush. With the La Niña wet events in early 2020–22 and subsequent higher water levels, the CS documented the survival of M. linariifolia but the dieback of eucalypts, and other woody species. Conclusions Observations at higher temporal frequencies by CS using mobile devices, augmented with researchers’ observations, proved to be a valuable, quality-controlled method to ground truth high-resolution aerial imagery. Implications This case study showed that monitoring the phenology of vegetation in a peat wetland can be supplemented by the inclusion of a CS programme. This under-utilised resource can increase coverage and frequency of data observations, lower costs as well as create community awareness, capability and engagement in scientific research.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».