Improved topographic correction of forest image data using a 3‐D canopy reflectance model in multiple forward mode
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In most forestry remote sensing applications in steep terrain, simple photometric and empirical (PE) topographic corrections are confounded as a result of stand structure and species assemblages that vary with terrain and the anisotropic reflective properties of vegetated surfaces. To address these problems, we present MFM‐TOPO as a new physically‐based modelling (PBM) approach for normalising topographically induced signal variance as a function of forest stand structure and sub‐pixel scale components. MFM‐TOPO uses the Li‐Strahler geometric optical mutual shadowing (GOMS) canopy reflectance model in Multiple Forward Mode (MFM) to account for slope and aspect influences directly. MFM‐TOPO has an explicit physical‐basis and uses sun‐canopy‐sensor (SCS) geometry that is more appropriate than strictly terrain‐based corrections in forested areas since it preserves the geotropic nature of trees (vertical growth with respect to the geoid) regardless of terrain, view and illumination angles. MFM‐TOPO is compared against our recently developed SCS+C correction and a comprehensive set of other existing PE and SCS methods (cosine, C correction, Minnaert, statistical‐empirical, SCS, and b correction) for removing topographically induced variance and for improving SPOT image classification accuracy in a Rocky Mountain forest in Kananaskis, Alberta Canada. MFM‐TOPO removed the most terrain‐based variance and provided the greatest improvement in classification accuracy within a species and stand density based class structure. For example, pine class accuracy was increased by 62% over shaded slopes, and spruce class accuracy was increased by 13% over more moderate slopes. In addition to classification, MFM‐TOPO is suitable for retrieving biophysical parameters in mountainous 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.
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 | 0,001 | 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 | 0,000 |
| 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 découle