Tracking the phenology of photosynthesis using carotenoid‐sensitive and near‐infrared reflectance vegetation indices in a temperate evergreen and mixed deciduous forest
Notice bibliographique
Résumé
Summary Photosynthetic phenology is an important indicator of annual gross primary productivity (GPP). Assessing photosynthetic phenology remotely is difficult for evergreen conifers as they remain green year‐round. Carotenoid‐based vegetation indices such as the photochemical reflectance index (PRI) and chlorophyll/carotenoid index (CCI) are promising tools to remotely track the invisible phenology of photosynthesis by assessing carotenoid pigment dynamics. PRI, CCI and the near‐infrared reflectance of vegetation (NIRV) index may act as proxies of photosynthetic efficiency (ɛ), an important parameter in light‐use efficiency models, or direct proxies of photosynthesis. To understand the physiological mechanisms reflected by PRI and CCI and the ability of vegetation indices to act as proxies of photosynthetic activity for estimating GPP, we measured leaf pigment composition, PRI, CCI, NIRV and photosynthetic activity at the leaf and canopy scales over 2 years in an evergreen and mixed deciduous forest. PRI and CCI captured the large seasonal carotenoid/chlorophyll ratio changes and good relationships were observed between PRI–ɛ and CCI–photosynthesis and NIRV–photosynthesis. PRI‐, CCI‐ and NIRV‐based models effectively tracked observed seasonal GPP. We propose that carotenoid‐based and near‐infrared reflectance vegetation indices may provide useful proxies of photosynthetic activity and can improve remote sensing‐based models of GPP in evergreen and deciduous forests.
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 | 0,000 |
| 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 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 ».