Drone-kuvien käyttö haurujen (Fucus spp.) kartoitukseen ja monitorointiin itäisellä Suomenlahdella
Notice bibliographique
Résumé
Tämä opinnäytetyö käsittelee uuden ympäristöseurantamenetelmän kehitystyötä. Hauruja (Fucus spp.) on seurattu Suomen rannikolla jo pitkään, mutta nykyisiin kartoitus- ja seurantamenetelmiin liittyy haasteita ja epätarkkuutta. Hauruvaltaiset elinympäristöt ovat uudessa uhanalaisuusarvioinnissa määritelty erittäin uhanalaisiksi. Tarvetta uusille seurantamenetelmille siis on. Drone-teknologia on kehittynyt ja halventunut viime vuosina, mikä on avannut uusia mahdollisuuksia hyödyntää kaukokartoitusta. Edulliset valokuvaamiseen tarkoitetut dronet mahdollistavat sekä ajallisesti että paikallisesti erittäin tarkkojen ilmakuvien tuottamisen. Näitä on maailmalla käytetty menestyksellisesti myös rannikon kartoituksessa ja seurannassa. Suomessa drone-kuvia ei kirjallisuuden perusteella ole käytetty makrolevien kartoitukseen tai seurantaan. Tämän tutkimuksen tarkoitus on selvittää, sopivatko tällaiset drone-kuvat hauruyhteisöjen kartoitukseen ja monitorointiin itäisellä Suomenlahdella sekä tuottaa tietoa menetelmän jatkokehitystä ajatellen. Kuvasin 22 merenranta-alueen reunaympäristön alkukesällä 2020. Kuvatuista alueista valitsin kahdeksan jatkotutkimuksiin, jotka kuvattiin uudelleen syksyllä 2020. Tällöin niiden alueelta kerättiin kuvatulkinnan tueksi 263 tukipistettä, joilta mitattiin veden syvyys ja arvioitiin haurujen esiintyvyys Drop-kuvausmenetelmällä. Rajasin ilmakuvilta näkyvät haurualueet ja vertasin niitä tukipisteaineistoon. Havaitsin, että 80 % havainnoista tieto luokittui oikein. Cohenin kappa -testin perusteella kohteiden välillä sekä eri syvyyksillä olevilla kasvustoilla oli suuria eroja havaintojen luotettavuudessa. Syvemmällä kuin 2,5 metrissä olevien haurukasvustojen erottaminen onnistui huomattavasti huonommin. Myös matalimman kasvuston (0 – 0,5 m) erottaminen oli hankalaa. Tulokset ovat lupaavat, mutta niiden perusteella menetelmää ei kuitenkaan vielä voi todeta toimivaksi, vaan lisätutkimuksia tarvitaan. Tämän tutkimuksen perusteella kehitystyötä kannattaa jatkaa käyttämällä tarkkaa paikkatietoa ilmakuvien ja tukipisteaineiston tuottamiseen sekä uusia kuvantamismenetelmiä, jotka kykenevät tuottamaan tavanomaista RGB-kameraa paremman erottelukyvyn. Drone- ja meritöiden turvallisuuden parantamiseksi tehtiin riskienhallintaprosessi, jossa tunnistin, analysoin sekä raportoin töihin liittyvät merkittävimmät riskit.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».