![]() Nos constatations montrent que ces erreurs peuvent être réduites par l’amélioration de la planification de vol, la collecte de métadonnées, le déploiement de points de contrôle au sol, l’utilisation de cibles de réflexion et le contrôle de la qualité. Nous nous penchons sur les principales sources d’erreurs attribuables à l’angle solaire, aux conditions météorologiques, à la géolocalisation et à l’étalonnage radiométrique et nous estimons leurs contributions relatives pouvant mener à des incertitudes de plus de ± 10 % dans les estimations de l’IVDN en haute saison de notre site de la toundra. Nous traitons ici des défis, des aspects techniques et des considérations pratiques de la surveillance de la végétation à l’aide de capteurs multispectraux de drone et proposons un flux de production basé sur les principes de télédétection et notre expérience sur le terrain dans des environnements à hautes latitudes, en utilisant le capteur Parrot Sequoia (Paris, France) comme exemple. Malgré les progrès technologiques, il y a des défis à relever en matière de capture de données de grande qualité, mettant en évidence le besoin de flux de production normalisés. Les capteurs multispectraux compacts captent des images à haute résolution dans des parties autant visibles que quasi infrarouges du spectre électromagnétique, permettant le calcul d’indices de végétation comme l’indice de végétation par différence normalisée (IVDN) pour les estimations de productivité et la classification de la végétation. Les progrès technologiques rapides ont grandement contribué à rendre les véhicules aériens sans pilote (UAV) et les capteurs connexes abordables et accessibles. With standardized best practice, multispectral sensors can provide meaningful spatial data that is reproducible and comparable across space and time. Our findings show that these errors can be accounted for by improved flight planning, metadata collection, ground control point deployment, use of reflectance targets, and quality control. We focus on the key error sources associated with solar angle, weather conditions, geolocation, and radiometric calibration and estimate their relative contributions that can lead to uncertainty of more than ☑0% in peak season NDVI estimates of our tundra field site. Here, we discuss challenges, technical aspects, and practical considerations of vegetation monitoring using multispectral drone sensors and propose a workflow based on remote sensing principles and our field experience in high-latitude environments, using the Parrot Sequoia (Pairs, France) sensor as an example. Despite the technological advances, challenges remain in capturing high-quality data, highlighting the need for standardized workflows. Compact multispectral drone sensors capture high-resolution imagery in visible and near-infrared parts of the electromagnetic spectrum, allowing for the calculation of vegetation indices, such as the normalised difference vegetation index (NDVI) for productivity estimates and vegetation classification. ![]() Rapid technological advances have dramatically increased affordability and accessibility of unmanned aerial vehicles (UAVs) and associated sensors. ![]()
0 Comments
Leave a Reply. |
AuthorWrite something about yourself. No need to be fancy, just an overview. ArchivesCategories |