Evaluation of Vegetation Biophysical Variables Time Series Derived from Synthetic Sentinel-2 Images
Notice bibliographique
Résumé
Time series of vegetation biophysical variables (leaf area index (LAI), fraction canopy cover (FCOVER), fraction of absorbed photosynthetically active radiation (FAPAR), canopy chlorophyll content (CCC), and canopy water content (CWC)) were estimated from interpolated Sentinel-2 (S2-LIKE) surface reflectance images, for an agricultural region located in central Canada, using the Simplified Level 2 Product Prototype Processor (SL2P). S2-LIKE surface reflectance data were generated by blending clear-sky Sentinel-2 Multispectral Imager (S2-MSI) images with daily BRDF-adjusted Moderate Resolution Imaging Spectrometer images using the Prediction Smooth Reflectance Fusion Model (PSFRM), and validated using thirteen independent S2-MSI images (RMSE ≤ 6%). The uncertainty of S2-LIKE surface reflectance data increases with the time delay between the prediction date and the closest S2-MSI image used for training PSFRM. Vegetation biophysical variables from S2-LIKE products are validated qualitatively and quantitatively by comparison to the corresponding vegetation biophysical variables from S2-MSI products (RMSE = 0.55 for LAI, ~10% for FCOVER and FAPAR, and 0.13 g/m2 for CCC and 0.16 kg/m2 for CWC). Uncertainties of vegetation biophysical variables derived from S2-LIKE products are almost linearly related to the uncertainty of the input reflectance data. When compared to the in situ measurements collected during the Soil Moisture Active Passive Validation Experiment 2016 field campaign, uncertainties of LAI (0.83) and FCOVER (13.73%) estimates from S2-LIKE products were slightly larger than uncertainties of LAI (0.57) and FCOVER (11.80%) estimates from S2-MSI products. However, equal uncertainties (0.32 kg/m2) were obtained for CWC estimates using SL2P with either S2-LIKE or S2-MSI input data.
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 | 0,000 |
| 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 | 0,001 |
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 ».