3D leaf water content mapping using terrestrial laser scanner backscatter intensity with radiometric correction
Notice bibliographique
Résumé
Leaf water content (LWC) plays an important role in agriculture and forestry management. It can be used to assess drought conditions and wildfire susceptibility. Terrestrial laser scanner (TLS) data have been widely used in forested environments for retrieving geometrically-based biophysical parameters. Recent studies have also shown the potential of using radiometric information (backscatter intensity) for estimating LWC. However, the usefulness of backscatter intensity data has been limited by leaf surface characteristics, and incidence angle effects. To explore the idea of using LiDAR intensity data to assess LWC we normalized (for both angular effects and leaf surface properties) shortwave infrared TLS data (1550 nm). A reflectance model describing both diffuse and specular reflectance was applied to remove strong specular backscatter intensity at a perpendicular angle. Leaves with different surface properties were collected from eight broadleaf plant species for modeling the relationship between LWC and backscatter intensity. Reference reflectors (Spectralon from Labsphere, Inc.) were used to build a look-up table to compensate for incidence angle effects. Results showed that before removing the specular influences, there was no significant correlation ( R 2 = 0.01, P > 0.05) between the backscatter intensity at a perpendicular angle and LWC. After the removal of the specular influences, a significant correlation emerged ( R 2 = 0.74, P < 0.05). The agreement between measured and TLS-derived LWC demonstrated a significant reduction of RMSE (root mean square error, from 0.008 to 0.003 g/cm 2 ) after correcting for the incidence angle effect. We show that it is possible to use TLS to estimate LWC for selected broadleaved plants with an R 2 of 0.76 (significance level α = 0.05) at leaf level. Further investigations of leaf surface and internal structure will likely result in improvements of 3D LWC mapping for studying physiology and ecology in vegetation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».