Comparison of the inversion of two canopy reflectance models for mapping forest crown closure using imaging spectroscopy
Notice bibliographique
Résumé
We compare the inversion of two canopy reflectance models to estimate forest crown closure (CC) using an EO-1 Hyperion image: the Kuusk–Nilson forest reflectance and transmittance (FRT) model, and the Li–Strahler geometric–optical model. For predicting CC on a per-pixel basis, the FRT model inversion is carried out by minimizing a merit function that provides a measure of the difference between the reflectance simulated by the FRT model and the reflectance originating from optimal band selection of Hyperion data. The inversion of the Li–Strahler model mainly depends on the relationship between the scene component “sunlit background” and forest structural parameters. We complement prediction deficiencies of the inverted Li–Strahler model CC using a spatial interpolation algorithm (regression kriging) in infeasible regions. Field-measured CCs of 40 sample sites are used to validate the inversion quality of both models. The results indicate that the Li–Strahler model inversion (R2 = 0.67, RMSE = 0.043) performs better than the FRT model inversion (R2 = 0.53, RMSE = 0.072) for CC retrieval. Estimated CC using the Li–Strahler model inversion combined with spatial interpolation yield a final, continuous CC map for the Longmenhe forest nature reserve in China, which is used as a study area for this work. The advantages and disadvantages of these two models inversion combined with imaging spectrometer data for mapping forest CC are discussed.
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 | 0,000 |
| 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 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 ».