A Novel Moisture Adjusted Vegetation Index (MAVI) to Reduce Background Reflectance and Topographical Effects on LAI Retrieval
Notice bibliographique
Résumé
A new moisture adjusted vegetation index (MAVI) is proposed using the red, near infrared, and shortwave infrared (SWIR) reflectance in band-ratio form in this paper. The effectiveness of MAVI in retrieving leaf area index (LAI) is investigated using Landsat-5 data and field LAI measurements in two forest and two grassland areas. The ability of MAVI to retrieve forest LAI under different background conditions is further evaluated using canopy reflectance of Jack Pine and Black Spruce forests simulated by the 4-Scale model. Compared with several commonly used two-band vegetation index, such as normalized difference vegetation index, soil adjusted vegetation index, modified soil adjusted vegetation index, optimized soil adjusted vegetation index, MAVI is a better predictor of LAI, on average, which can explain 70% of variations of LAI in the four study areas. Similar to other SWIR-related three-band vegetation index, such as modified normalized difference vegetation index (MNDVI) and reduced simple ratio (RSR), MAVI is able to reduce the background reflectance effects on forest canopy LAI retrieval. MAVI is more suitable for retrieving LAI than RSR and MNDVI, because it avoids the difficulty in properly determining the maximum and minimum SWIR values required in RSR and MNDVI, which improves the robustness of MAVI in retrieving LAI of different land cover types. Moreover, MAVI is expressed as ratios between different spectral bands, greatly reducing the noise caused by topographical variations, which makes it more suitable for applications in mountainous area.
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 | 0,001 |
| 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 | 0,000 |
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 ».