Multi-Angle Spectroscopic Remote Sensing of Arctic Vegetation Biochemical and Biophysical Properties
Notice bibliographique
Résumé
Estimating the spatial distribution of foliar pigments and canopy structural components with remote sensing can serve as an important approach for monitoring plant community characteristics, as spatially explicit measurements of vegetation biochemical and biophysical variables can provide insight into ecosystem composition, processes, and/or disturbance caused by changing environmental conditions. Vegetation monitoring efforts in Arctic regions have been mostly accomplished with nadir-looking broadband instruments, thus leaving multi-angle, spectroscopic retrievals of vegetation biochemical and biophysical variables largely unexplored. Using field and spaceborne (CHRIS/PROBA) multi-angle spectroscopy, the performance of various modelling techniques was compared for retrieving biochemical and biophysical variables from tundra vegetation situated across a bioclimatic gradient in the Western Canadian Arctic. Specifically, empirically-based multi-band and predefined narrowband vegetation indices (VIs), a machine learning regression algorithm (Gaussian processes regression, GPR), and a physically-based radiative transfer model (PROSAIL) were compared for their capability of retrieving leaf chlorophyll content (LCC), plant area index (PAI), and canopy chlorophyll content (CCC) from multi-angle, multi-scale, high-resolution canopy reflectance data. Reference data for these variables were acquired through laboratory and field-scale leaf and canopy measurements. Iterative empirical models were the most effective for retrieving LCC, PAI, and CCC irrespective of view angle and spatial scale (p<0.05). GPR produced the best correlation-based modelling results (cross validated r2cv=0.59), however, a multi-band vegetation index (i.e. simple ratio, SR) was shown to provide statistically comparable results while providing a more simplistic methodological approach (r2cv=0.55). Furthermore, SR produced statistically superior (p<0.05) normalized prediction accuracies over GPR (NRMSE=0.13 vs. NRMSE=0.16). Empirically modelled band selections showed that variable covariation is an important consideration when constructing reflectance models used for vegetation variable retrievals in the Arctic, and thus it was concluded that spectroscopic remote sensing provides benefits for such tasks. The overall conclusion drawn from the compiled empirical and physical modelling results, when examined across the field and remote sensing scales, was that a multi-angle approach does not provide a statistically significant advantage over a nadir approach for retrieving LCC, PAI, or CCC in Arctic environments (p>0.05).
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 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 ».