The relationship between effective plant area index and Landsat spectral response across elevation, solar insolation, and spatial scales in a northern Idaho forest
Notice bibliographique
Résumé
Leaf area index (LAI) is an important forest characteristic related to photosynthesis and carbon sequestration, and gains in efficiency for LAI measurements are possible using remotely sensed imagery. However, the potential effects of complex topography on this measurement system are not well understood. Our objective was to understand how complex terrain and measurement aggregation influence the relationship between LAI and remotely sensed vegetation indices across a mountainous conifer forest. We identified NDVIc, a middle-infrared (MIR) correction to NDVI (Normalized Difference Vegetation Index), as the vegetation index providing the best prediction of effective plant area index (PAI e ), used to approximate LAI. We tested formal hypotheses to identify how elevation and solar insolation gradients and spatial scale of measurement aggregation affected the PAI e NDVIc relationship and found that it changed across elevation at one spatial scale. Comparisons of NDVIc with NDVI revealed that vegetation index choice is important in complex terrain, and we concluded that the MIR correction improves the PAI e NDVI relationship by explaining variation related to solar insolation. Our results suggest that NDVIc calculated from Landsat ETM+ provides a practical estimate of PAI e across our northern Idaho study area and potentially other conifer forests in complex terrain.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».