Relationship between Hyperspectral Measurements and Mangrove Leaf Nitrogen Concentrations
Notice bibliographique
Résumé
The use of spectral response curves for estimating nitrogen (N) leaf concentrations generally has been found to be a challenging task for a variety of plant species. In this investigation, leaf N concentration and corresponding laboratory hyperspectral data were examined for two species of mangrove (Avicennia germinans, Rhizophora mangle) representing a variety of conditions (healthy, poor condition, dwarf) of a degraded mangrove forest located in the Mexican Pacific. This is the first time leaf nitrogen content has been examined using close range hyperspectral remote sensing of a degraded mangrove forest. Simple comparisons between individual wavebands and N concentrations were examined, as well as two models employed to predict N concentrations based on multiple wavebands. For one model, an Artificial Neural Network (ANN) was developed based on known N absorption bands. For comparative purposes, a second model, based on the well-known Stepwise Multiple Linear Regression (SMLR) approach, was employed using the entire dataset. For both models, the input data included continuum removed reflectance, band depth at the centre of the absorption feature (BNC), and log (1/BNC). Weak to moderate correlations were found between N concentration and single band spectral responses. The results also indicate that ANNs were more predictive for N concentration than was SMLR, and had consistently higher r2 values. The highest r2 value (0.91) was observed in the prediction of black mangrove (A. germinans) leaf N concentration using the BNC transformation. It is thus suggested that artificial neural networks could be used in a complementary manner with other techniques to assess mangrove health, thereby improving environmental monitoring in coastal wetlands, which is of prime importance to local communities. In addition, it is recommended that the BNC transformation be used on the input for such N concentration prediction models.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».