Comparison of physically based and empirical models to estimate corn (<i>Zea mays</i>L) LAI from multispectral data in eastern Canada
Notice bibliographique
Résumé
Leaf area index (LAI) is a key input for many ecological models such as crop and carbon and nitrogen models. The LAI patterns measured in situ are time consuming and expensive and could be substituted by remote sensing technology. The objective of this study was to evaluate the possibility to map LAI of corn fields in eastern Canada using airborne multispectral imagery. Four models were locally optimized, tested, and compared. The first two methodologies relied on simple empirical relationships between LAI and the normalized difference vegetation index. The third methodology was a physically based model assuming that spectral vegetation indices are proportional to the fraction of photosynthetically active radiation absorbed by the green vegetation canopy. The last methodology relied on neural network (NN) models using different channels of the multispectral images as input. No studies combining airborne remote sensed data and NN for corn LAI simulation at regional or field scales are known by the authors. Ground measurements of LAI in five experimental sites at two dates in 2011 and 2012 were used to optimize and evaluate the models. Even though performances of the standard methods were improved by local optimisation, an NN model built with the near-infrared and red channels provided more accurate LAI simulations. All models performed better at LAI values below 3, but scattering at high LAI values was less pronounced with the NN model.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».