Key points are not available for this paper at this time.
Monitorar habitats intertidais, como recifes de ostras, pântanos salinos e zonas de maré, é logisticamente desafiador e muitas vezes intensivo em custos e tempo. Plataformas de sensoriamento remoto, como sistemas de aeronaves não tripuladas (UASs), apresentam uma alternativa às abordagens tradicionais que podem monitorar rapidamente e de forma econômica áreas costeiras. Apesar das vantagens oferecidas pelos sistemas de sensoriamento remoto, desafios permanecem quanto às melhores práticas para coletar imagens para estudar esses ecossistemas. Um desses desafios é a gama de resoluções espaciais para imagens que são mais adequadas para o monitoramento de habitats intertidais. Imagens muito finas requerem mais tempo de coleta e processamento. No entanto, imagens mais grosseiras podem não capturar os padrões em escala fina necessários para entender processos ecológicos relevantes. Este estudo utilizou imagens de UAS capturadas ao longo da costa do Golfo do México na Flórida, EUA, e reamostrou o ortomosaico derivado e o modelo de superfície digital para resoluções variando de 3 a 31 cm, que correspondem às resoluções espaciais alcançáveis por outros meios (por exemplo, fotografia aérea e certos satélites comerciais). Um fluxo de trabalho de análise de imagem baseado em objetos geográficos (GEOBIA) foi então aplicado a conjuntos de dados em cada resolução para classificar zonas de maré, pântanos salinos, recifes de ostras e água. O processo GEOBIA foi realizado no R, tornando o fluxo de trabalho de código aberto. As precisões de classificação foram amplamente consistentes entre as resoluções, com precisões gerais variando de 78% a 82%. Os resultados indicam que para aplicações de mapeamento de habitat, resoluções muito finas podem não fornecer informações que aumentem o poder discriminativo do algoritmo de classificação. Classificações multiescalares também foram realizadas e produziram precisões mais altas do que fluxos de trabalho de uma única escala, assim como uma medida de incerteza entre as classificações.
Espriella et al. (Tue,) estudaram essa questão.