logo móvil
Contáctanos

Clasificación de comunidades de pastizales nativos de tierras bajas utilizando imágenes hiperespectrales de sistemas de aeronaves no tripuladas (UAS) en los Midlands de Tasmania

Autores: Melville, Bethany; Lucieer, Arko; Aryal, Jagannath

Idioma: Inglés

Editor: MDPI

Año: 2019

Descargar PDF

Acceso abierto

Artículo científico
2019

Clasificación de comunidades de pastizales nativos de tierras bajas utilizando imágenes hiperespectrales de sistemas de aeronaves no tripuladas (UAS) en los Midlands de Tasmania


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Robótica

Palabras clave

Comunidades de pastizales
Sensor hiperespectral
Clases de vegetación
Modelo Digital de Superficie
Clasificación de Bosques Aleatorios
Variables espectrales

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 1

Citaciones: Sin citaciones


Descripción
Este documento presenta los resultados de un estudio realizado para clasificar comunidades de pastizales nativos de tierras bajas en la región de Midlands de Tasmania. Los datos se recopilaron utilizando el sensor hiperespectral de 20 bandas PhotonFocus montado en un vehículo aéreo no tripulado. El rango espectral del sensor es de 600 a 875 nm. Se identificaron cuatro clases de vegetación para el análisis, incluyendo pastizales de Themeda triandra, Wilsonia rotundifolia, pastizales de Danthonia/Poa y Acacia dealbata. Además del conjunto de datos hiperespectrales del UAS, se derivó un Modelo Digital de Superficie (DSM) utilizando una técnica de estructura a partir del movimiento (SfM). La clasificación se llevó a cabo utilizando un modelo de clasificación Random Forest (RF) basado en objetos. Las medidas de importancia de las variables del modelo de entrenamiento indicaron que el DSM era la variable más significativa. Las variables espectrales clave incluyeron las bandas dos (620.9 nm), cuatro (651.1 nm) y once (763.2 nm) de la imagen hiperespectral del UAS. La validación de la clasificación se realizó utilizando tanto los segmentos de referencia como los dos transectos. Para la validación del objeto de referencia, las precisiones medias estuvieron entre el 70% y el 72%. Las precisiones de clasificación basadas en los transectos de validación lograron una precisión de clasificación general máxima del 93%.

Otros recursos que podrían interesarte

Temas Virtualpro