Studying mixed grassland ecosystems I: suitable hyperspectral vegetation indices
Notice bibliographique
Résumé
Hyperspectral remote sensing data with a greater number of bands and narrower bandwidths can be effectively exploited for the study of ecosystem patterns and processes. Hyperspectral remote sensing of semiarid mixed grassland faces the following two challenges, however: (i) providing a good understanding of the performance of different vegetation indices (VIs) in estimating biophysical properties of grassland with a small amount of green vegetation, a large amount of dead material on the ground, and variable soil–ground conditions; and (ii) examining the spatial characterization of hyperspectral remotely sensed data to optimize sampling procedures and address scaling issues. Using ground-based hyperspectral and biophysical data, this study has compared the predictive capability of VIs for estimation of grassland leaf area index (LAI) (this paper) and examined the spatial variation of grassland LAI (the companion paper). The results in this paper indicate that the relationships between grassland LAI and VIs are significant. The performance of the renormalized difference vegetation index (RDVI), adjusted transformed soil-adjusted vegetation index (ATSAVI), and modified chlorophyll absorption ratio index 2 (MCARI2) was slightly better than that of the other VIs in the groups of ratio-based, soil-line-related, and chlorophyll-corrected VIs, respectively. By incorporating the cellulose absorption index (CAI) as a litter factor in ATSAVI, a new VI was computed (L-ATSAVI), and it improved the LAI estimation capability in our study area by about 10%.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».