Comparison of drone and ground surveys for the detection of a rare plant in a fragile ecosystem
Notice bibliographique
Résumé
Abstract Drone surveys are increasingly used to detect plants, but their efficiency and cost‐effectiveness versus traditional methods, especially for small species, remain unclear. We compared accuracy, time and costs of drone and ground surveys for the detection of wood lilies ( Lilium philadelphicum ) in an endangered alvar ecosystem. We assessed the performance of nine supervised pixel‐based classifiers derived from RGB imagery, varying training samples (60, 80, 100 samples/class) and moving window sizes for modal filtering (7 × 7, 9 × 9, 11 × 11 pixels). Wood lily detection rates ranged from 73 to 78%, with the most efficient classifier (60 samples/class, 11 × 11 pixel window) detecting 90% plants in full bloom, 85% beginning to bloom and 75% fading but only 1% plants that were not blooming. Most detected plants were not covered by vegetation, but some plants partially covered by vegetation were also detected. Estimating exact plant numbers from our drone survey proved challenging due to the misclassification of closely growing plants as single individuals and plants with multiple flowerheads as separate individuals. Conducting the drone survey was faster than conducting the ground survey (18 vs. 345 min), but processing the drone survey data took significantly longer than processing the ground survey data (909 vs. 120 min) even if most of the time spent was computer processing time (869 min of 909 min). Financial costs were higher for the drone survey than for the ground survey, but this difference is subject to change as the number of surveys increases, and will likely diminish over time as technology becomes more affordable. To support practitioners, we provide a customizable template to estimate the basic financial costs of drone surveys. Although we considered the ground survey as the gold standard, careful image examination revealed 31 objects that could be potentially missed wood lilies in full bloom (~3% of the total plants found). Practical implication: Our results suggest that drone surveys have potential as either a complementary technique to ground surveys or as a standalone method for species detection in fragile ecosystems.
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 | 0,001 | 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 ».