| Titre | Leveraging AI to estimate caribou lichen in UAV orthomosaics from ground photo datasets |
| |
| Auteur | Richardson, G ;
Leblanc, S G; Lovitt, J; Rajaratnam, K; Chen, W |
| Source | Drones vol. 5, issue 3, 2021 p. 1-16, https://doi.org/10.3390/drones5030099  Accès ouvert |
| Image |  |
| Année | 2021 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20210220 |
| Éditeur | MDPI |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.3390/drones5030099 |
| Media | en ligne; numérique |
| Formats | pdf; html |
| Sujets | télédétection; levés photogrammétriques; photographie; techniques de cartographie; analyses spectrales; modèles; Méthodologie; véhicules aériens; Intelligence artificielle; Classification; géophysique;
Sciences et technologie; Nature et environnement |
| Illustrations | images numériques; photographies aériennes; organigrammes; modèles; tableaux; graphiques |
| Programme | Centre canadien de télédétection Programme de la science de la télédétection - Méthodes et applications optiques |
| Diffusé | 2021 09 17 |
| Résumé | (non publié)
L'élaboration d'approches à plusieurs échelles pour la cartographie des lichens est à propos pour comprendre la disponibilité de la nourriture du caribou. Une étude antérieure de
Lovitt et coll. (2021) montre que les réseaux de neurones sont efficaces pour classer la présence de lichens dans les photographies au sol. À partir de cette recherche, nous avons mis à l'essai une approche à plusieurs échelles pour classer le lichen
dans les orthomosaïques par drone en utilisant des mosaïques de photos au sol comme données d'entraînement. Notre méthodologie utilise un réseau neuronal basé sur U-net (UAV LiCNN) pour détecter et classer le lichen en trois classes de pourcentage de
couverture du sol, aucun à bas (0-33%), moyen (33-66%), et élevé (66-100%). UAV LiCNN a donné des précisions moyennes d'utilisateur et de producteur de 86% et de 93% respectivement dans la classe élevée de lichen dans huit orthomosaïques différentes.
Dans notre approche, nous avons comparé le pourcentage connu de lichen trouvé dans 77 micro-placettes de végétation avec le pourcentage prévu de lichen calculé à partir de UAV LiCNN, résultant en une relation R2 de 0,69. Cette recherche montre que
les réseaux de neurones formés sur des photographies au sol peuvent être efficaces pour classer le lichen dans les orthomosaïques par drones. Les facteurs limitatifs pour cette analyse incluent la mauvaise classification des objets tels que les
bûches en raison de la similitude spectrale dans les bandes RVB, et les ombres foncées projetées par la végétation. |
| Sommaire | (Résumé en langage clair et simple, non publié)
La population de caribous du Canada est généralement en déclin depuis le milieu des années 1980. Plusieurs aspects peuvent contribuer au déclin.
L'un de ces aspects peut être la disponibilité de la nourriture. La principale source de nourriture hivernale pour le caribou est le lichen, mais la disponibilité du lichen n'est pas bien connue dans tout le Canada. Les images satellitaires peuvent
être utilisées pour cartographier le lichen, mais jusqu'à présent, le lichen s'est avéré difficile à cartographier dans certaines régions du Canada. Pour améliorer les techniques de cartographie, cette étude adapte une méthode utilisant
l'intelligence artificielle développée pour la photographie de terrain aux images prises avec des drones afin de cartographier localement le lichen sur des zones d'environ 15 à 20 ha (37 à 50 acres). Les cartes réalisées par les drones seront ensuite
utilisées pour améliorer d'autres cartes couvrant des zones plus vastes. |
| GEOSCAN ID | 328790 |
|
|