MétaCan
Menu
Retour à la cohorte
Enregistrement W2582408210 · doi:10.3390/rs9010097

Gross Primary Production of a Wheat Canopy Relates Stronger to Far Red Than to Red Solar-Induced Chlorophyll Fluorescence

2017· article· en· W2582408210 sur OpenAlexaff
Yves Goulas, Antoine Fournier, F. Daumard, Sébastien Champagne, Abderrahmane Ounis, Olivier Marloie, I. Moya

Notice bibliographique

RevueRemote Sensing · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesCentre National d’Etudes SpatialesAgence Nationale de la Recherche
Mots-clésPhotosynthetically active radiationChlorophyll fluorescencePhotosynthesisPrimary productionCanopyPhotochemical Reflectance IndexEnvironmental scienceAtmospheric sciencesBotanyPhysicsBiologyEcosystemEcology

Résumé

récupéré en direct d'OpenAlex

Sun-induced chlorophyll fluorescence (SIF) is a radiation flux emitted by chlorophyll molecules in the red (RSIF) and far red region (FRSIF), and is considered as a potential indicator of the functional state of photosynthesis in remote sensing applications. Recently, ground studies and space observations have demonstrated a strong empirical linear relationship between FRSIF and carbon uptake through photosynthesis (GPP, gross primary production). In this study, we investigated the potential of RSIF and FRSIF to represent the functional status of photosynthesis at canopy level on a wheat crop. RSIF and FRSIF were continuously measured in the O2-B (SIF687) and O2-A bands (SIF760) at a high frequency rate from a nadir view at a height of 21 m, simultaneously with carbon uptake using eddy covariance (EC) techniques. The relative fluorescence yield (Fyield) and the photochemical yield were acquired at leaf level using active fluorescence measurements. SIF was normalized with photosynthetically active radiation (PAR) to derive apparent spectral fluorescence yields (ASFY687, ASFY760). At the diurnal scale, we found limited variations of ASFY687 and ASFY760 during sunny days. We also did not find any link between Fyield and light use efficiency (LUE) derived from EC, which would prevent SIF from indicating LUE changes. The coefficient of determination ( r 2 ) of the linear regression between SIF and GPP is found to be highly variable, depending on the emission wavelength, the time scale of observation, sky conditions, and the phenological stage. Despite its photosystem II (PSII) origin, SIF687 correlates less than SIF760 with GPP in any cases. The strongest SIF–GPP relationship was found for SIF760 during canopy growth. When canopy is in a steady state, SIF687 and SIF760 are almost as effective as PAR in predicting GPP. Our results imply some constraints in the use of simple linear relationships to infer GPP from SIF, as they are expected to be better predictive with far red SIF for canopies with a high dynamic range of green biomass and a low LUE variation range.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,232
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations106
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207