A scale-wise model inversion method to retrieve canopy biophysical parameters from hyperspectral remote sensing data
Notice bibliographique
Résumé
Biophysical parameters, such as leaf area index (LAI) and leaf chlorophyll content, play an important role in precision agriculture management, forest ecology monitoring, and global change research. Although many efforts have been made, robust and accurate estimation of these parameters from remote sensing data is still a challenge. In this study, a scale-wise scheme was developed for inverting a physical surface model. With this scheme, the model parameters were gradually approximated with dynamic scales during iterations. This scale-wise inversion method was validated based on the coupled PROSPECT and SAIL model using simulated and hyperspectral Compact Airborne Spectrographic Imager (CASI) data over agricultural fields. It was also compared to the widely used Marquet–Levenberg (ML) optimization method. With the simulated data, the results showed that the scale-wise inversion method generated very accurate LAI and leaf chlorophyll content, with maximum errors of less than 0.03 and 0.10 µg/cm2, respectively. Using the same initial values, the errors for the ML method were large, and for some cases the iterations were not converged. The results also showed that the scale-wise method was not sensitive to noise in the data. With the hyperspectral CASI data, the retrieved LAI values were shown to have a strong correlation with the ground measurements, with a root mean square error (RMSE) between them of as low as 0.36 and a R2 of 0.91. The RMSE and R2 values for the ML method are 0.79 and 0.76, respectively.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».