Contribution of hyperspectral remote sensing to the estimation of leaf area index in the context of precision agriculture
Notice bibliographique
Résumé
The estimation of Leaf Area Index (LAI) is a key parameter controlling biophysical processes of the vegetation canopy, and ultimately yield. Defined as one half the total green leaf area per unit ground surface area, LAI is an essential component of precision crop management. Direct field techniques are tedious, time-consuming and labour-intensive. Indirect techniques, such as determining gap fraction with optical instruments have proven to be a good alternative, but their use is limited to rigid field sampling techniques. Vegetation indices have been useful to estimate LAI but are limited mostly due to its background reflectance noise. LAI can be estimated using different types of data, but only hyperspectral remote sensing has the potential to distinguish effectively the crop from other field components using spectral mixture analysis. Once the crop fraction has been derived, LAI is estimated using a crop fraction inversion technique. The application of this technique under agricultural field conditions has been very limited and not rigorously validated. The main objective of this study is to validate the crop fraction inversion technique for LAI estimation, and to examine the potential for LAI estimation using hyperspectral remote sensing data in the context of precision agriculture. This research will provide a unique scientific contribution to the field of hyperspectral remote sensing and greatly contribute to the advancement of remote sensing agriculture applications in Canada. (Abstract shortened by UMI.)
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».