Leaf Area Index Estimation in a Heterogeneous Grassland Using Optical, SAR, and DEM Data
Notice bibliographique
Résumé
Different types of remote sensing data, including optical, synthetic aperture radar (SAR), and digital elevation model (DEM), have been used to investigate diverse vegetation properties in grasslands. However, it is not known if integrating these data can improve investigation accuracy and how much of a contribution that each of these data can make to the investigation. In this research, WorldView-2, Sentinel-1, and DEM data are used to estimate vegetation leaf area index (LAI) in a heterogeneous grassland in Canada. From the 3 types of data, 121 optical, 13 SAR, and 7 DEM variables were extracted. Four combinations of the variables, including optical, optical + SAR, optical + DEM, and optical + SAR + DEM, were designed and used to evaluate the contribution of each type of data to the LAI estimation. Four random forest models using these 4 combinations of variables were established to estimate LAI. Results show that the first model built with only optical variables achieved a good accuracy (R2 = 0.630, RMSE = 0.701) that is comparable to other studies. Integrating SAR and DEM variables with optical variables improved LAI estimation accuracy, but not substantially. SAR data’s marginal contribution is likely a result of the heterogeneous nature of the grassland ecosystem.
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 | 0,000 | 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 | 0,000 |
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 ».