Multilabel classification of peatland plant species from high-resolution drone images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biodiversity monitoring programs are essential for detecting changes in species distributions and correlating these changes with biotic and abiotic factors. This information is crucial for identifying early problems before they become too difficult to address and for implementing effective management strategies. Traditionally, biodiversity monitoring for small plant species has relied on the quadrat method, which requires botanists to identify species in the field. While this method has its advantages, it is limited by the availability of botanists, restricting the scale of monitoring programs. In this study, we explored the potential of using high-resolution photos and artificial intelligence to estimate small plant species cover in peatlands, thereby reducing the need for field-based species identification by botanists. Our approach involves dividing quadrat images into smaller tiles, applying a multi-label classification model to each tile, and calculating species cover based on the identified tiles. Data were collected from 32 sites across Quebec, and images were annotated for five common species: Chamaedaphne calyculata , Kalmia angustifolia , Andromeda polifolia , Rhododendron groenlandicum , and Larix laricina . Our model achieved a global F1 score of 71.68 %, with the highest-performing species ( Larix laricina ) reaching 87.17 %. Although some species showed lower performance, the estimated species cover by our model in a whole quadrat was comparable to traditional methods. Our results demonstrate that this method offers significant advantages for monitoring broad changes in vegetation.
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.
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) | 0,001 | 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 découle