Direct Estimation of Forest Leaf Area Index based on Spectrally Corrected Airborne LiDAR Pulse Penetration Ratio
Notice bibliographique
Résumé
The leaf area index (LAI) is a crucial structural parameter of forest canopies. Light Detection and Ranging (LiDAR) provides an alternative to passive optical sensors in the estimation of LAI from remotely sensed data. However, LiDAR-based LAI estimation typically relies on empirical models, and such methods can only be applied when the field-based LAI data are available. Compared with an empirical model, a physically-based model—e.g., the Beer–Lambert law based light extinction model—is more attractive due to its independent dataset with training. However, two challenges are encountered when applying the physically-based model to estimate LAI from discrete LiDAR data: i.e., deriving the gap fraction and the extinction coefficient from the LiDAR data. We solved the first problem by integrating LiDAR and hyperspectral data to transfer the LiDAR penetration ratio to the forest gap fraction. For the second problem, the extinction coefficient was estimated from tiled (1 km × 1 km) LiDAR data by nonlinearly optimizing the cost function of the angular LiDAR gap fraction and simulated gap fraction from the Beer–Lambert law model. A validation against LAI-2000 measurements showed that the estimates were significantly correlated to the reference LAI with an R2 of 0.66, a root mean square error (RMSE) of 0.60 and a relative RMSE of 0.15. We conclude that forest LAI can be directly estimated by the nonlinear optimization method utilizing the Beer–Lambert model and a spectrally corrected LiDAR penetration ratio. The significance of the proposed method is that it can produce reliable remotely sensed forest LAI from discrete LiDAR and spectral data when field-measured LAI are unavailable.
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 | 0,001 |
| 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 ».