Drone-kuvien käyttö haurujen (Fucus spp.) kartoitukseen ja monitorointiin itäisellä Suomenlahdella
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".