Automation of green roof plant cover measurements using machine learning and a comparison of digital and thermal imaging techniques
Notice bibliographique
Résumé
Abstract Aims Post‐analyses of digital red, green, blue (RGB) and thermal images have become increasingly popular as modern approaches to plant cover analysis. Image analyses are often coupled with semi‐automated or automated workflows to reduce the amount of human labor input compared with traditional manual procedures. This study aims to evaluate and compare different image segmentation methods for plant cover analysis using digital RGB and thermal images, focusing on the effectiveness of semi‐automated and manual segmentation techniques in monitoring plant cover on green roofs. Location An Extensive green roof in the City of Toronto. Methods We surveyed the plant cover of an extensive green roof using digital and thermal imagery. The plant cover values were obtained using three methods: traditional manual segmentation based on a visual examination (MS), ImageJ Color Threshold (CT) and Trainable Weka Segmentation (TWS), all performed within FIJI (a distribution of ImageJ). Manual segmentation based on visual examination was used as a reference standard. Results Significant correlation was found between the cover estimation using the CT and TWS methods relative to MS, and between cover estimation using the thermal image and the RGB image. TWS overestimated plant cover on thermal images while producing an underestimation on RGB images. CT demonstrated a performance closer to MS than TWS, indicating that manually customized methods produced results more aligned with MS. The estimated cover values by MS were not significantly affected by the image type (digital RGB or thermal). Conclusions Results suggest that RGB and thermal imaging techniques may provide complementary results and reveal unique information regarding the functioning of green roofs. The accuracy of supervised machine‐learning methods could be enhanced with site‐specific data to provide a more accurate and efficient estimation of plant cover, which might be beneficial for long‐term studies on green roofs and ecological sites in remote locations.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».