A comparison of NDVI and MTVI2 for estimating LAI using CHRIS imagery: a case study in wheat
Notice bibliographique
Résumé
Leaf area index (LAI) is a key variable in crop growth models. The derivation of reliable LAI maps from satellite imagery would provide a means of spatially extrapolating these models. During the 2004 and 2005 growing seasons, hyperspectral data from the Compact High Resolution Imaging Spectrometer (CHRIS) sensor were acquired over a wheat crop in southern Alberta. The ability to obtain reliable LAI estimates from CHRIS data was investigated using a preexisting relationship between LAI and the modified transformed vegetation index (MTVI2). The performance of the recently develop MTVI2 in estimating LAI was compared to that of the more commonly used normalized difference vegetation index (NDVI). Both narrow and broad bands simulated from the CHRIS data were used in calculating the NDVI. All vegetation indices provided good relationships with LAI (R2 = 0.70–0.90). The errors in the estimated LAI values varied with vegetation index and were dependent on growth stage. The MTVI2 performed better than the NDVI at full canopy closure. Confirming previous reports in the literature, the NDVI tended to saturate at LAI values of 37–4, which resulted in an underestimation of LAI at full canopy closure. There was no benefit to using narrow spectral bands in the NDVI. Estimation of LAI using the MTVI2 was underestimated late in the season during the seed-filling period.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».