Impacts of including forest understory brightness and foliage clumping information from multiangular measurements on leaf area index mapping over North America
Notice bibliographique
Résumé
A new leaf area index (LAI) data set in 10 day intervals with consideration of the understory reflectance and foliage clumping effects over North America for 1 year is developed. The data set brings effectively together measurements from multiple sensors with complementary capabilities (SPOT‐VEGETATION, Multiangle Imaging Spectroradiometer, POLDER). First, the temporal consistency analysis indicated the new product is on par with other available LAI data sets currently used by the community. Second, with the removal of the background (understory in forests, moss, litter, and soil) effect on the forest overstory LAI retrieval, slightly different LAI reductions were found between needleleaf and broadleaf forests. This is caused by the more clumped nature of needleleaf forests, especially at higher LAI values, which allows more light to penetrate through the overstory canopy, making the understory more visible for equal LAI as compared to broadleaf forests. This is found over a representative set of 105 CEOS Benchmark Land Multisite Analysis and Intercomparison of Products sites in North America used for indirect validation. Third, the data set was directly validated and compared with Moderate Resolution Imaging Spectroradiometer Collection 5 LAI product using results from the BigFoot project for available forest test sites. This study demonstrates that the fusion of data inputs between multiple sensors can indeed lead to improved products and that multiangle remote sensing can help us to address effectively the issues (separating the signal from the understory and overstory, foliage clumping) that could not be solved via the means of the conventional mono‐angle remote sensing.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».