Using unmanned aerial vehicles for the study of eelgrass habitat
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs), also referred to as “drones,” are cheap, powerful platforms that are capable of capturing high-quality imagery rapidly and with little operator training. In this report, we describe our use of drones to measure the size of eelgrass (Zostera marina) beds in the nearshore waters of Newfoundland. <br>Our primary research questions were: 1) Is it possible to detect eelgrass beds using drones? 2) To what extent are measurements of drone bed size reproducible with drones (i.e. how much measurement uncertainty do drones introduce?) 3) How does the ability of drones to detect eelgrass change with the altitude of drone flight, and what is the trade-off between resolution (increased by flying at low altitude) and possible area assessed given a unit of sampling time (increased by flying at high altitude)? In addition, we qualitatively assessed how wind, waves, and turbidity affected the clarity of our imagery. <br>We found that eelgrass beds were indeed detectable with drones, and that image clarity was very good. Qualitatively speaking, the best imagery was collected when there was no fog, when the water was still (any choppiness at all made measurement of bed size much more difficult), and when the eelgrass beds were shallow. Wind speed was less detrimental than expected because drones were capable of compensating effectively. <br>In addition to this primary research question, we conducted removals of invasive green crab using Fukui traps. Our reasons for doing so were twofold: First, to reduce their population density and thereby protect eelgrass beds in invaded areas. Second, to determine a relative density, so that if the eelgrass beds do decline over time, we can test to what extent the density of green crabs in a given area is correlated with decline rate. We also conducted an opportunistic study to determine whether a modified Fukui trap could increase catch per unit effort (CPUE) of green crabs relative to regular traps. We found that the modified traps were indeed more effective, confirming other work we have done on this topic. <br>This paper represents a project report that we have not submitted for peer-review. While future studies will likely derive from this, we present this guide as-is for any researcher interested in using drones to study eelgrass or other sub-tidal habitat.
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) | 0,002 | 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 ».