使用无人机遥感,多光谱图像和人工智能监测南极洲脆弱的植被

科学领域:

• 遥感和地理空间分析
• 生态学中的人工智能
• 南极洲生态系统监测监测

背景情况:

• 南极的植被 (,) 容易受到气候变化和臭氧层消耗的影响.
• 非侵入性监测方法对于评估植被健康至关重要.
• 通过无人机 (UAV) 对南极植被分析的深度学习 (DL) 和多光谱图像的有限使用.

研究的目的:

• 突出DL对南极植被数据集的潜力.
• 介绍和比较使用极端梯度提升 (XGBoost) 和U-Net分类器的新的工作流.
• 为了检测和绘制南极和的健康状况.

主要方法:

• 在南极特别保护区 (ASPA) 中利用无人机的高分辨率多光谱图像135.
• 开发并比较了两个监督机器学习 (ML) 模型:XGBoost和U-Net.
• 在五个类别中训练了模型:健康的,压力,死亡的,和非植物;U-Net采用了两种方法,一种是原始数据,另一种是XGBoost预测.

主要成果:

• 在精度,回忆和F1分数方面,XGBoost实现了超过85%.
• 使用XGBoost预测的U-Net工作流 (方法2) 与仅使用原始数据 (方法1) 相比,显著提高了分类准确性.
• 值得注意的U-Net方法2的改进包括健康的精度 (94%对74%) 和压力的回忆 (86%对69%).

结论:

• 深度学习和机器学习模型显示,对南极植被的非侵入性监测具有重大前景.
• 拟议的工作流提高了敏感的极地生态系统中植被分类的准确性.
• 研究结果支持无人机,多光谱图像和人工智能用于极地地区有效的遥感.