Testing the Top-Down Model Inversion Method of Estimating Leaf Reflectance Used to Retrieve Vegetation Biochemical Content Within Empirical Approaches
Notice bibliographique
Résumé
A top-down model inversion method of estimating leaf reflectance from hyperspectral remote sensing measurements has been tested with an empirical approach used to estimate chlorophyll content. Leaf reflectance is obtained by inverting a geometric-optical model, 5-Scale, validated using hyperspectral AVIRIS data. The shaded scene fractions and the M factor, which includes both the multiple scattering effect and the shaded components, are computed for inverting canopy reflectance into leaf reflectance. The inversion is based on the look-up tables (LUTs) approach. The simulated leaf reflectance values are combined in hyperspectral indices for leaf chlorophyll retrieval and compared against the measured leaf chlorophyll content in the Greater Victoria Watershed District (GVWD), British Columbia (BC). The results demonstrate that the modeled canopy reflectance and AVIRS data are in good agreement for all locations. The regressions of the modified simple ratio [(R728- R434)/(R720- R434)] and modified normalized difference index [(R728- R720)/(R728+ R720-2R434)] against chlorophyll content exhibit the best fit using second-order polynomial functions with the root-mean-square errors (RMSE) of 4.434 and 4.247, and coefficients of determination of 0.588 and 0.588, respectively. Larger RMSE are observed when the direct canopy-level retrieval, using canopy-level generated vegetation indices, is considered, suggesting the importance of the proposed canopy-to-level reflectance inversion step in chlorophyll retrieval based on hyperspectral vegetation indices. This approach allows for estimation of leaf level information in the absence of leaf spectra field measurements, and simplifies further applications of hyperspectral imagery at the regional scale.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».