Large-scale leaf area index inversion algorithms from high-resolution airborne imagery
Notice bibliographique
Résumé
Large-scale leaf area index (LAI) inversion algorithms were developed to determine the LAI of a forest located in Gatineau Park, Canada, using high-resolution colour and colour infrared (CIR) digital airborne imagery. The algorithms are parameter-independent and developed based on the principles of optical field instruments for gap fraction measurements. Cloud-free colour and CIR images were acquired on 21 August 2007 with 35 and 60 cm nominal ground pixel size, respectively. Normalized Difference Vegetation Index (NDVI), maximum likelihood and object-oriented classifications, and principal component analysis (PCA) methods were applied to calculate the mono-directional gap fraction. Subsequently, LAI was derived from inversion and compared with ground measurements made in 54 plots of 20 by 20 m using hemispherical photography between 10 and 20 August 2007. There was high inter-correlation (the Pearson correlation coefficient, R > 0.5, p < 0.01) among LAI values inverted using the classifications and PCA methods, but neither were highly correlated with LAI inverted from the NDVI method. LAI inverted from the NDVI-based gap fraction significantly correlated with ground-measured LAI (R = 0.63, root mean square error (RMSE) = 0.52), while LAI inverted from the classification and PCA-derived gap fraction showed poor correlation with ground-measured LAI. Consequently, the NDVI method was used to invert LAI for the whole study area and produce a 20‐m resolution LAI map.
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 | 0,001 |
| 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 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 ».