ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol>
	<li>Breiman L. Random forests. Mach Learn. 2001;45(1):5-32.</li>
	<li>Guisan A, Zimmermann NE. Predictive habitat distribution models in ecology. Ecol Model. 2000;135(2):147-186.</li>
	<li>Tuxen K et al. Mapping changes in tidal wetland vegetation composition and pattern across a salinity gradient using high spatial resolution imagery. Wetl Ecol Manag. 2011;19(2):141-157.</li>
	<li>Joyce CB, Wade PM. European Wet Grasslands: Biodiversity, Management and Restoration. John Wiley; Chichester, New York, Weinheim; 1998.</li>
	<li>Flores-de-Santiago F et al. Assessing the effect of flight altitude and overlap on orthoimage generation for UAV estimates of coastal wetlands. J Coast Conserv. 2020;24:35.</li>
	<li>Morgan RG et al. Unmanned aerial remote sensing of coastal vegetation: A review. Ann GIS. 2022;28(3):385-399.</li>
	<li>Bannari A et al. A review of vegetation indices. Remote Sens Rev. 1995;13(1-2):95.</li>
	<li>D&#237;az-Delgado R, Lucas R, Hurford C. The Roles of Remote Sensing in Nature Conservation: A Practical Guide and Case Studies. Springer; Cham; 2017.</li>
	<li>Zheng JY et al. Coastal wetland vegetation classification using pixel-based, object-based and deep learning methods based on RGB-UAV. Land. 2022;11(11).</li>
	<li>Horning N et al. Remote Sensing for Ecology and Conservation: A Handbook of Techniques. Oxford University Press; Oxford; 2020.</li>
	<li>Villoslada M et al. Fine scale plant community assessment in coastal meadows using UAV based multispectral data. Ecol Indic. 2020. doi:10.1016/j.ecolind.2019.105979.</li>
	<li>Burkhard B et al. Mapping and assessing ecosystem services in the EU - Lessons learned from the ESMERALDA approach of integration. One Ecosyst. 2018;3:e29153.</li>
	<li>Bhatnagar S et al. A nested drone-satellite approach to monitoring the ecological conditions of wetlands. ISPRS J Photogramm Remote Sens. 2021;174:151-165.</li>
	<li>Nicholson Thomas I et al. Towards a standardised monitoring of ecosystem condition: A literature review on indicators and their data sources. Ecol Indic. 2025;178:113952.</li>
	<li>Scott DB, Frail-Gauthier J, Mudie PJ. Coastal Wetlands of the World: Geology, Ecology, Distribution and Applications. Cambridge University Press; Cambridge, New York; 2014.</li>
	<li>Duarte C et al. The role of coastal plant communities for climate change mitigation and adaptation. Nat Clim Change. 2013;3:961-968.</li>
	<li>Bergamo T et al. Experimental climate change impacts on Baltic coastal wetland plant communities. 2022. doi:10.21203/rs.3.rs-1517117/v1.</li>
	<li>Perillo G et al. Coastal Wetlands: An Integrated Ecosystem Approach. Elsevier; 2018.</li>
	<li>Geary WL et al. A guide to ecosystem models and their environmental applications. Nat Ecol Evol. 2020;4(11):1459-1471.</li>
	<li>Joyce CB. Ecological consequences and restoration potential of abandoned wet grasslands. Ecol Eng. 2014;66:91-102.</li>
	<li>Joyce CB. Plant community dynamics of managed floodplain grasslands: An ordination analysis. In: Joyce CB, Wade PM, editors. European Wet Grasslands: Biodiversity, Management and Restoration. John Wiley; Chichester, New York, Weinheim; 1998. p. 173-191.</li>
	<li>R&#363;si&#326;a S, Spu&#326;&#291;is V. 1630* Boreal Baltic Coastal Meadows. In: Semi-Natural Grasslands. Latvian Nature Conservation Agency; Sigulda; 2017.</li>
	<li>White J. The population structure of vegetation. In: The Population Structure of Vegetation. Springer Netherlands; Dordrecht; 1985. p. 1-14.</li>
	<li>Neyman J. On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. J R Stat Soc. 1934;97(4):558.</li>
	<li>Magnussen S. Calibration of a confidence interval for a classification accuracy. Open J For. 2021;11(1):14-36.</li>
	<li>Vehmaa A et al. Harmonization of Nordic coastal marsh habitat classification benefits conservation and management. Ocean Coast Manag. 2024;252:107104.</li>
	<li>Kose M et al. 20 years of Baltic Boreal coastal meadow restoration: Has it been long enough? Restor Ecol. 2020;29.</li>
	<li>Kasari-Toussaint L et al. Challenges and solutions in managing semi-natural grasslands: Insights from Estonia. Biol Conserv. 2026;313:111520.</li>
	<li>Villoslada Peci&#241;a M et al. Country-scale mapping of ecosystem services provided by semi-natural grasslands. Sci Total Environ. 2019;661:212-225.</li>
	<li>K&#246;ster T et al. The management of the coastal grasslands of Estonia. Environ Stud. 2004;10:45-54.</li>
	<li>Burnside NG et al. Use of vegetation classification and plant indicators to assess grazing abandonment in Estonian coastal wetlands. J Veg Sci. 2007;18(5):645-654.</li>
	<li>Ward RD et al. Importance of microtopography in determining plant community distribution in Baltic coastal wetlands. J Coastal Res. 2016;32(5):1062-1070.</li>
	<li>Wolff F et al. RGB vs. multispectral imagery: Mapping aapa mire plant communities with UAVs. Ecol Indic. 2023;148:110140.</li>
	<li>Dale J et al. The use of unmanned aerial vehicles to determine differences in vegetation cover: A tool for monitoring coastal wetland restoration schemes. Remote Sens. 2020;12(24):4022.</li>
	<li>Harris JM, Broussard WP, Nelson JA. Evaluating coastal wetland restoration using drones and high-resolution imagery. Estuaries Coasts. 2024;47(6):1359-1375.</li>
	<li>Maes WH. Practical guidelines for performing UAV mapping flights with snapshot sensors. Remote Sens. 2025;17(4):606.</li>
	<li>Movchan D et al. Collecting and processing drone-based remotely sensed data for use in forest recovery monitoring. J Vis Exp. 2025;(224):e68745.</li>
	<li>Yigitcanlar T et al. Machine learning and remote sensing integration for leveraging urban sustainability: A review and framework. Sustain Cities Soc. 2023;96:104653.</li>
	<li>Kvile K&#216; et al. Drone and ground-truth data collection, image annotation and machine learning: A protocol for coastal habitat mapping and classification. MethodsX. 2024;13:102935.</li>
	<li>Morgan G et al. UAS remote sensing for coastal wetland vegetation biomass estimation: A destructive vs. non-destructive sampling experiment. Remote Sens. 2025;17.</li>
	<li>Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves. Int J Remote Sens. 1999;20(14):2741-2759.</li>
	<li>Lishawa SC et al. Mechanical harvesting effectively controls young Typha spp. invasion and unmanned aerial vehicle data enhances post-treatment monitoring. Front Plant Sci. 2017;8.</li>
	<li>Wu C, Niu Z, Gao S. The potential of the satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland. Ecol Indic. 2012;14(1):66-73.</li>
	<li>Gianelle D, Vescovo L. Determination of green herbage ratio in grasslands using spectral reflectance: Methods and ground measurements. 2007.</li>
	<li>Sripada RP et al. Aerial color infrared photography for determining early in-season nitrogen requirements in corn. Agron J. 2006;98(4):968-977.</li>
	<li>Crippen RE. Calculating the vegetation index faster. Remote Sens Environ. 1990;34(1):71-73.</li>
	<li>Gitelson AA, Kaufman YJ, Merzlyak MN. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens Environ. 1996;58(3):289-298.</li>
	<li>Pinton D et al. A new algorithm for estimating ground elevation and vegetation characteristics in coastal salt marshes from high-resolution UAV-based LiDAR point clouds. Earth Surf Process Landf. 2020;45(14):3687-3701.</li>
	<li>Xing H et al. MSAVI-enhanced CASA model for estimating the carbon sink in coastal wetland area: A case study of Shandong Province. IEEE J Sel Top Appl Earth Obs Remote Sens. 2024;17:19698-19712.</li>
	<li>Haboudane D. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sens Environ. 2004;90(3):337-352.</li>
	<li>Yi W et al. An enhanced monitoring method for spatio-temporal dynamics of salt marsh vegetation using Google Earth Engine. Estuar Coast Shelf Sci. 2024;298:108658.</li>
	<li>Rouse JW, Haas RH, Schell JA, Deering DW. Monitoring vegetation systems in the Great Plains with ERTS [conference presentation]. Presented at: Third ERTS-1 Symposium; Washington, DC; 1974. p. 309-317. Available from: https://www.scirp.org/reference/referencespapers?referenceid=1411719 [Last accessed: 11/30/2025].</li>
	<li>Huete AR. A soil-adjusted vegetation index (SAVI). Remote Sens Environ. 1988;25(3):295-309.</li>
	<li>Paul NC et al. Optimized soil adjusted vegetation index mapping of Pune district using Google Earth Engine. Remote Sens Lett. 2025;16(7):728-736.</li>
	<li>Jordan CF. Derivation of leaf-area index from quality of light on the forest floor. Ecology. 1969;50(4):663-666.</li>
	<li>Bergamo TF et al. From UAV to PlanetScope: Upscaling fractional cover of an invasive species Rosa rugosa. J Environ Manage. 2023;336:117693.</li>
	<li>Torres-S&#225;nchez J et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Comput Electron Agric. 2014;103:104-113.</li>
	<li>Batungwanayo P, Vanclooster M, Koropitan AF. Response of seasonal vegetation dynamics to climatic constraints in northeastern Burundi. J Geosci Environ Prot. 2020;8(9):151-181.</li>
	<li>De Swaef T et al. Applying RGB- and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sens. 2021;13(1):147.</li>
	<li>Kataoka T et al. Crop growth estimation system using machine vision [conference presentation]. Presented at: 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003); 2003. 2:b1079-b1083.</li>
	<li>Puppala H et al. Enhanced Green View Index. MethodsX. 2022;9:101824.</li>
	<li>Meyer GE, Neto JC. Verification of color vegetation indices for automated crop imaging applications. Comput Electron Agric. 2008;63(2):282-293.</li>
	<li>Woebbecke DM et al. Color indices for weed identification under various soil, residue, and lighting conditions. Trans ASAE. 1995;38(1):259-269.</li>
	<li>Guijarro M et al. Automatic segmentation of relevant textures in agricultural images. Comput Electron Agric. 2011;75(1):75-83.</li>
	<li>Sonnentag O et al. Digital repeat photography for phenological research in forest ecosystems. Agric For Meteorol. 2012;152:159-177.</li>
	<li>Louhaichi M, Borman MM, Johnson DE. Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto Int. 2001;16(1):65-70.</li>
	<li>Motohka T et al. Applicability of Green-Red Vegetation Index for remote sensing of vegetation phenology. Remote Sens. 2010;2(10):2369-2387.</li>
	<li>Hunt ER et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status. Precis Agric. 2005;6(4):359-378.</li>
	<li>Barr JR, Green MC, DeMaso SJ et al. Detectability and visibility biases associated with using a consumer-grade unmanned aircraft to survey nesting colonial waterbirds. J Field Ornithol. 2018;89(3):242-257.</li>
	<li>Bendig J et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int J Appl Earth Obs Geoinf. 2015;39:79.</li>
	<li>Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ. 1979;8(2):127-150.</li>
	<li>Bock T. How to install R packages from GitHub (step-by-step guide). 2018. Available from: https://www.displayr.com/installing-r-packages-from-github/ [Last accessed: 5/7/2026].</li>
	<li>Hijmans RJ et al. Raster package in R. Version. 2013. Available from: https://mirrors.sjtug.sjtu.edu.cn/cran/web/packages/raster/raster.pdf.</li>
	<li>Mohammed M, Alsunosi R. Effect of selecting validation dataset on building random forest and decision tree models. AlQalam J Med Appl. 2022:470-478.</li>
	<li>Belgiu M, Dr&#259;gu&#355; L. Random forest in remote sensing: A review of applications and future directions. ISPRS J Photogramm Remote Sens. 2016;114:24-31.</li>
	<li>Bergstra J, Bengio Y. Random search for hyper-parameter optimization. J Mach Learn Res. 2012.</li>
	<li>Naidu G, Zuva T, Sibanda EM. A review of evaluation metrics in machine learning algorithms. In: Artificial Intelligence Application in Networks and Systems. Springer International Publishing; Cham; 2023. p. 15-25.</li>
	<li>Manning CD, Raghavan P, Sch&#252;tze H. Introduction to Information Retrieval. Cambridge University Press; 2008.</li>
	<li>Blair DC. Information Retrieval, 2nd ed. C.J. Van Rijsbergen. London: Butterworths; 1979:208 pp. J Am Soc Inf Sci. 1979;30(6):374-375.</li>
	<li>IDB - Index DataBase. Available from: https://www.indexdatabase.de/ [Last accessed: 5/7/2026].</li>
	<li>Sun Z et al. UAVs as remote sensing platforms in plant ecology: Review of applications and challenges. J Plant Ecol. 2021;14(6):1003-1023.</li>
	<li>Mart&#237;nez Prentice R et al. Synergistic use of Sentinel-2 and UAV-derived data for plant fractional cover distribution mapping of coastal meadows with digital elevation models. Biogeosciences. 2024;21(6):1411-1431.</li>
	<li>Makumbura RK et al. A systematic review of unmanned aerial vehicles (UAVs) for coastal ecosystem monitoring. Sci Remote Sens. 2026;13:100438.</li>
</ol>

<table><tbody><tr><td>eBee X&nbsp;</td><td>senseFly/AgEagle</td><td>eBee X, https://www.sensefly.com/drones/ebee-x/</td><td>UAVシステムeBee Xは、プロフェッショナルな固定翼マッピングドローンです。代替のマッピングドローンシステムを使用することができます</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>ドローンの飛行ミッションを計画し、空中データを管理するために使用されます。eMotionソフトウェアはeBeeXドローンシステムの補完的な部分です</td></tr><tr><td>外部ハードドライブ</td><td>任意のサプライヤー</td><td>NA</td><td>研究対象の面積とプロジェクトサイズによって異なる（250 GB - 1TB）</td></tr><tr><td>フィールドワーク用ラップトップ</td><td>任意のサプライヤー</td><td>NA</td><td>フィールド作業に適し、ドローンの飛行管理を可能にする性能の良い、ポータブルな機器（eMotion仕様に基づく：64ビットWindows 10/11; Intel Core i5/i7（12世代+）またはAMD Ryzen 5/7（>3.5 GHz）- 高いクロック速度がコア数よりも重要; 最低16GB（32GB以上強く推奨）; 中級NVIDIA GTX/RTX（例：RTX 3060/4060）; NVMe SSD（必須））</td></tr><tr><td>GNSS/RTKシステム Trimble</td><td>Trimble Inc.&nbsp;</td><td>モデル＆nbsp; R10</td><td>土地測量ソフトウェアと予備バッテリーを備えた受信機があります。代替のGNSS/RTKシステムも使用できます。</td></tr><tr><td>草刈り用ハサミ</td><td>任意のサプライヤー</td><td>NA</td><td>バイオマスサンプリング（オプション）</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>フォトグラメトリソフトウェア：Pix4Dmapperは月額または年間でライセンスを取得できます。このプロトコルを実装するために代替のフォトグラメトリソフトウェアを使用することができます。</td></tr><tr><td>植物識別ガイド</td><td>任意のサプライヤー</td><td>NA</td><td>生物物理学的観察を行うために使用されます（オンライン、書籍、または印刷された地域の植物IDガイド）</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>無料でオープンソースのGISソフトウェアで、https://qgis.org/で利用可能、代替GISソフトウェアを使用してこのプロトコルを実装することができます</td></tr><tr><td>1m x 1mのクワドラットフレーム&nbsp;</td><td>任意のサプライヤー</td><td>NA</td><td>フェーズ2でフィールドワーク/サンプリングに使用されます。すなわち、生物物理学的観察を行うために使用され、自作可能です</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>バージョン4.2.0, https://cran.r-project.org&nbsp;</td><td>統計計算とグラフィックス、データ分析、予測モデリングに広く使用されるオープンソースの予測モデリング環境。</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>バージョン2024.4.0.735, https//posit.co/download/rstudio/&nbsp;</td><td></td></tr><tr><td>Rtools</td><td>R-Software Services</td><td>https://cran.r-project.org/bin/windows/Rtools/</td><td>一部のパッケージはソースからコンパイルが必要な場合があります。使用する主要なパッケージ：terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1, およびrandomForest 4.7 1.1。</td></tr><tr><td>スケール（バッテリー駆動、水平、精度&plusmn;1 g）</td><td>任意のサプライヤー</td><td>NA</td><td>フィールドワークに耐久性があります</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>フェーズ1で使用されるマルチスペクトラル/RGBセンサーです。RGBおよび/またはマルチスペクトルセンサー（多くのプロフェッショナルドローンには1つまたは両方のセンサーが含まれています）。このプロトコルを実装するためにParrot SEQUOIA+（Parrot SA社）を使用</td></tr><tr><td>土壌水分計</td><td>任意のサプライヤー</td><td>NA</td><td></td></tr><tr><td>UAV天気予報アプリ</td><td>任意のサプライヤー</td><td>NA</td><td>フライトを計画するためにhttps://www.uavforecast.com/を使用</td></tr><tr><td>WETセンサーキット</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>土壌水分センサー（オプション）</td></tr><tr><td>ワークステーション</td><td>任意のサプライヤー</td><td>NA</td><td>フォトグラメトリプロジェクトとRでの機械学習をスムーズに処理するために必要な最適な仕様（Pix4Dmapperソフトウェア要件に基づく仕様：Windows 10/11, 64ビット; CPUクアッドコアまたはヘキサコアIntel i9/Threadripper/Ryzen 9/; OpenGL 3.2と互換性のあるGeForce GTX GPUおよび2 GB RAM; ハードディスク：SSD; 500枚以上の画像（14 MP）の大規模プロジェクト：32 GB RAM、60 GB SSD空き容量。</td></tr></tbody></table>

ドローンおよび地上データを用いて北方沿岸湿地植物群集のマッピングと分類を行う半自動化手法

Semi-Automated Method for Mapping and Classifying Boreal Coastal Wetland Plant Communities using Drone and Ground Data

Semi-automated plant community mapping bridges the gap between traditional ecological surveys and modern AI-assisted ecosystem monitoring, enabling site ...

semi-automated-method-for-mapping-classifying-boreal-coastal-wetland

Research

JoVE Journal

Environment

環境

メズおよびテオシンテ植物を生物栄養病原体 ウスチラゴメイディス で接種する注射法の使用について説明する。 針注射接種方法は、病原体がアプリソリアの形成を通じて植物に入る植物葉の間の真菌病原体の制御された送達を促進する。この方法は非常に効率的で...

トウモロコシとテオシンテ線における ウスチラゴ の病原性を評価するための迅速かつ効率的な方法

私たちは、無傷のツリーの師部を保存し、それを観察するための準備をする技術を提供します。 師部組織に生息する節足動物や微生物などの生物を導入・観察するための師部サンドイッチという装置を創製しています。...

ツリー組織内節足動物と微生物群集を研究するための技術

EPA Method 1615は、環境水や飲料水中のエンテロウイルスとノロウイルスを濃縮するために、電気陽性フィルターを使用します。この原稿では、メソッド 1615...

エンテロウイルスと文化およびRT-QPCRによる水中のノロウイルス発生のEPAメソッド1615測定。ウイルスサンプルのI.コレクション

ここでは、逆転写定量PCRを使用して、環境水と飲料水中のエンテロウイルスとノロウイルスを定量化する手順を紹介します。EPA メソッド 1615 のこの標準化された手順による地下水からの平均ウイルス回収率は、ポリオウイルスで 20%、マウスノロウイルスで 30%...

エンテロウイルスと文化およびRT-qPCRにより水中のノロウイルス発生のEPAメソッド1615測定。パートIII。 RT-qPCRによりウイルス検出

処理された廃水や地表水を含む水サンプルの有機抽出物中の内分泌活性をスクリーニングするためのプロトコルは、市販の分割停止(「凍結融解」)in...

水中の内分泌活性のスクリーニング市販の使い方<em&gt;インビトロ</em&gt;トランスバイオアッセイ

フィールドから植物の根の発掘だけでなく、土壌、根圏、endosphere に試料の加工は、DNA...

実験で多年生の草の根、根、土壌微生物の分離と解析

タバココナジラミの迅速同定のループ介在増幅法 (LAMP) アッセイ

フィルターペーパーDNA抽出法と、現場や研究室で分析できるループ媒介等熱増幅(LAMP)アッセイを用いて、水源中の フィトフトーラ・カプシチ...

ループ媒介等熱増幅を用いた灌漑水中フィ トフトーラカプシ の検出

天然ガス発電所の煙道ガス中の二酸化炭素を利用して、オープンな軌道上の池で微細藻類を栽培するためのプロトコルが記載されている。煙道ガス注入はpHセンサーで制御され、微細藻類の成長は光学密度のリアルタイム測定で監視されます。...

発電所からの炭素回収と微細藻類栽培用の半自動オープンレースウェイ池の結合

Updegraff法はセルロース推定に最も広く用いられている方法です。本デモの主な目的は、植物バイオマスサンプル中のセルロース含有量を推定するための詳細なUpdegraffプロトコルを提供することです。...

Updegraff法による植物バイオマスの結晶セルロース含有量の推定

Estonian University of Life Sciences.  このプロトコルは、無人航空機(UAV)調査、地上情報収集、植生指数計算、沿岸湿地植物群落のAI支援分類とマッピングの4つの統合フェーズで構成されています。その結果、沿岸湿地の生息地保全と管理における生態学、環境モニタリング、意思決定への応用を支援する多層的な地理空間データセットが誕生しました。

ドローンおよび地上データを用いて北方沿岸湿地植物群集のマッピングと分類を行う半自動化手法

さらに動画を探す