Limitations of a Multispectral UAV Sensor for Satellite Validation and Mapping Complex Vegetation
Notice bibliographique
Résumé
Optical satellite data products (e.g., Sentinel-2, PlanetScope, Landsat) require proper validation across diverse ecosystems. This has conventionally been achieved using airborne and more recently unmanned aerial vehicle (UAV) based hyperspectral sensors which constrain operations by both their cost and complexity of use. The MicaSense Altum is an accessible multispectral sensor that integrates a radiometric thermal camera with 5 bands (475 nm–840 nm). In this work we assess the spectral reflectance accuracy of a UAV-mounted MicaSense Altum at 25, 50, 75, and 100 m AGL flight altitudes using the manufacturer provided panel-based reflectance conversion technique for atmospheric correction at the Mer Bleue peatland supersite near Ottawa, Canada. Altum derived spectral reflectance was evaluated through comparison of measurements of six known nominal reflectance calibration panels to in situ spectroradiometer and hyperspectral UAV reflectance products. We found that the Altum sensor saturates in the 475 nm band viewing the 18% reflectance panel, and for all brighter panels for the 475, 560, and 668 nm bands. The Altum was assessed against pre-classified hummock-hollow-lawn microtopographic features using band level pair-wise comparisons and common vegetation indices to investigate the sensor’s viability as a validation tool of PlanetScope Dove 8 band and Sentinel-2A satellite products. We conclude that the use of the Altum needs careful consideration, and its field deployment and reflectance output does not meet the necessary cal/val requirements in the peatland site.
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 ».