A canopy reflectance model based topographic normalisation approach for forested terrain
Notice bibliographique
Résumé
In most forestry remote sensing applications in steep terrain, simple photometric and empirical corrections are confounded as a result of variable stand and species structure with terrain and the anisotropic reflective properties of vegetated surfaces. To address these problems, we test two new topographic correction approaches based on Sun-Canopy-Sensor (SCS) geometry. SCS is more appropriate than strictly terrain-based corrections in forested areas since it preserves the geotropic nature of trees (vertical growth with respect to the geoid) regardless of terrain, view and illumination angles. The first SCS approach accounts for diffuse atmospheric irradiance based on the C-correction (SCS+C). Secondly, a new multiple forward mode (MFM) canopy reflectance model based correction (MFM-TOPO-COR) is introduced which normalizes topographically induced signal variance as a function of forest stand structure and sub-pixel scale components, while also maintaining proper SCS geometry. These two new techniques are compared to existing correction methods (cosine, c correction, Minnaert, statistical-empirical, SCS, and b correction) in a Rocky Mountain forest setting in western Canada. The ability of these eight correction methods are tested and compared for removing topographically induced variance and for improving the classification accuracy of a SPOT image over this sub-alpine and alpine forest area. The new MFM-TOPO-COR canopy reflectance model correction method is shown to provide the greatest improvement in classification accuracy within a species and stand density based class structure. The potential and limitations of this new approach are critically discussed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».