Using Drone Imagery to Map Intertidal Oyster Reefs along Florida’s Gulf of Mexico Coast
Notice bibliographique
Résumé
Eastern oyster (Crassostrea virginica) reefs offer vital ecosystem services and support economically and culturally important fisheries. However, environmental and anthropogenic stressors have led to significant decline in oyster reef coverage globally and locally in places like the Suwannee Sound in Florida, USA. Current monitoring methods are insufficient for timely and accurate assessment of oyster resources in the region. Here we demonstrate how drone imagery can be used to delineate intertidal oyster reef coverage rapidly and reliably. The high spatial resolution offered by drone imagery enables accurate delineations. We use a segmentation algorithm to delineate reefs, which produces consistently detailed outlines that are more representative of reef morphology than manual delineations. In total, 1,394 reefs were delineated, which corresponds with 497, 670 m2 of reef area. Of the delineated reefs, 236 (17%) were newly mapped, aligning with 19,848 m2 of newly mapped intertidal oyster reef habitat. The overlapping drone imagery also enabled the production of digital surface models, which were used to calculate volume to area ratio as an indicator of reef condition. These delineations and features serve as accurate baseline data that can be compared to future surveys to monitor how reefs are changing over time in the Suwannee Sound. These methods can also be expanded to other geographical areas and can aid in identifying early signs of decline in oyster reefs.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».