An approach for the analysis of vegetation spectra using non-linear mixed modeling of truncated power spectra
Notice bibliographique
Résumé
Analysis of vegetation spectra is often characterized by an adverse ratio of sample size to number of wavelengths.A reduction in the dimensionality of the spectra is needed to ensure consistent estimates.We propose a reduction based on a non-linear mixed modeling of power spectra transforms of truncated Fourier series representations of vegetation spectra.Two sets of foliage spectral data obtained from balsam fir (Abies balsamea) exposed to different silvicultural regimes and three eucalypt species (Eucalyptus spp.) demonstrate the method.Only the first 42 frequencies in a power spectrum contributed significantly to the variance of a spectrum.Power spectra were dominated by a small number of low frequencies; the influence of frequency was described well by an exponentiated quadratic polynomial model with significant fixed and random effects.Model parameters can be subject to physiological inference and hypothesis testing. nonlinear-mixed model / Fourier transform / power spectra / hypothesis testing / classificationRésumé -Méthode d'analyse des spectres de végétation par modélisation mixte non linéaire des spectres de puissance tronqués.L'analyse des spectres de végétation est souvent caractérisée par un rapport négatif entre la taille de l'échantillon et le nombre de longueurs d'ondes.Une réduction de la dimension des spectres est nécessaire pour garantir des estimations uniformes.Nous proposons une réduction fondée sur une modélisation mixte non linéaire des transformées de puissance spectrale des représentations de séries de Fourier tronquées visant des spectres de végétation.Pour ce faire, nous utilisons deux ensembles de données spectrales du feuillage de sapins baumiers (Abies balsamea) exposés à différents traitements sylvicoles et de trois espèces d'eucalyptus (Eucalyptus spp.).Seules les 42 premières fréquences de puissance spectrale ont contribué de façon appréciable à sa variance.Un petit nombre de basses fréquences dominaient les puissances spectriques ; l'effet de la fréquence a été bien décrit à l'aide d'un modèle polynomial quadratique d'exponentiation comportant des effets fixes et aléatoires appréciables.Les paramètres du modèle peuvent faire l'objet d'analyse de l'hypothèse et d'une inférence physiologique. modèle mixte non-linéaire / transformation Fourier / répartition spectrale / tests des hypothèses / classification
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».