Four-Scale Linear Model for Anisotropic Reflectance (FLAIR) for plant canopies. I. Model description and partial validation
Notice bibliographique
Résumé
As optical remote sensing techniques provide increasingly detailed canopy reflectance data at a variety of illumination/view geometries, direct quantitative comparisons between data sets require a flexible model of the bidirectional reflectance distribution function (BRDF) suitable for inversion. Typically, such derivations rely on: 1) complex and computationally expensive empirical canopy descriptions, or 2) simplifications for specific canopy types, conditions, or view geometry. More practical would be one general model not requiring significant computing resources, but that provides information on canopy architecture when utilized as an inverse model. The Four-Scale Model, developed by Chen and Leblanc (1997), describes canopy reflectance considering four levels of architecture, distributions of tree crowns, branches, shoots, and leaves. A linear kernel-like model has been developed from this Four-Scale Linear Model for Anisotropic Reflectance (FLAIR). While simplifications are performed, an effort has been made not to limit FLAIR to specific canopy characteristics, while maintaining relationships between modeled coefficients and canopy architecture. Comparisons between Four-Scale and FLAIR, and use of FLAIR in the forward mode on multi-angular data sets obtained during BOREAS 1994, allow examination of the suitability, capabilities, and limitations of this model in describing canopy reflectance. As partial validation, this paper compares FLAIR functions to aspects of the Four-Scale Model from which they are developed. Examination of how this model reacts to inversion of simulated reflectance data sets demonstrates its ability to simulate and reproduce canopy reflectance. leading toward the retrieval of reasonable LAI.
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 | 0,001 | 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 ».