Seasonal <i>Phragmites australis</i> classification in Long Point National Wildlife Area wetlands using a remotely piloted aircraft system and random forest machine learning
Notice bibliographique
Résumé
This study produced a high-accuracy remotely piloted aircraft system (RPAS) imagery classification method for identifying the invasive reed Phragmites australis ( Cav.) Trin. Ex Steud subsp. australis using random forest (RF) machine learning. RPAS imagery was collected in the spring and fall of 2019 using a fixed-wing RPAS equipped with a visible spectrum camera (eBee X, S.O.D.A. 3D; senseFly) in Long Point, Ontario, Canada. Imagery was used to produce separate early and late season classifications and a bi-temporal classification which used imagery from both dates. The overall accuracy achieved for each was 97%, 96%, and 91%, respectively. Digital surface models (DSMs) were the most important variable for identifying Phragmites in all classifications due to their greater height when compared to surrounding herbaceous vegetation. The bi-temporal classification, which utilized change in DSM value during the growing season, resulted in an estimated 47.8% new growth of Phragmites and appeared to capture sparse growth better than traditional classification differencing alone. This study highlights the promising use of high-resolution DSMs produced from RPAS imagery to classify invasive Phragmites and monitor within-year patch expansions.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».