Fundamental practices for drone remote sensing research across disciplines
Notice bibliographique
Résumé
Drone remote sensing research has surged over the last few decades as the technology has become increasingly accessible. Relatively easy-to-operate drones put data collection directly in the hands of the remote sensing community. While an abundance of remote sensing studies using drones in myriad areas of application (e.g., agriculture, forestry, and geomorphology) have been published, little consensus has emerged regarding best practices for drone usage and incorporation into research. Therefore, this paper synthesizes relevant literature, supported by the collective experiences of the authors, to propose ten fundamental practices for drone remote sensing research, including (1) focus on your question, not just the tool, (2) know the law and abide by it, (3) respect privacy and be ethical, (4) be mindful consumers of technology, (5) develop or adopt a data collection protocol, (6) treat Structure from Motion (SfM) as a new form of photogrammetry, (7) consider new approaches to analyze hyperspatial data, (8) think beyond imagery, (9) be transparent and report error, and (10) work collaboratively. These fundamental practices, meant for all remote sensing researchers using drones regardless of area of interest or disciplinary background, are elaborated upon and situated within the context of broader remote sensing 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 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 | 0,251 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,016 | 0,080 |
| Communication savante | 0,030 | 0,023 |
| Science ouverte | 0,006 | 0,027 |
| Intégrité de la recherche | 0,013 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».