Terrestrial laser scanning‐derived canopy interception index for predicting rainfall interception
Notice bibliographique
Résumé
Abstract Rainfall interception (RI) by forest canopies is an important process in hydrological cycling in forest ecosystems. However, accurately predicting RI is a challenging topic. In this study, a dimensionless descriptor, canopy interception index (CII), for predicting RI was defined. The terrestrial laser scanning was used to estimate CII in four temperate forest types, including Korean pine (Pinus koraiensis) plantation forest (KPF) stands, larch (Larix spp.) plantation forest (LPF) stands, mixed broadleaved forest (MBF) stands and Mongolian oak (Quercus mongolica) forest (MOF) stands. Using the measured RI values over the rainy seasons in 2017 and 2018, CII's performance for predicting RI was tested and also compared with several other indices (LAI: leaf area index, PAI: plant area index and ACH: average canopy height). The results indicated that CII was significantly and strongly related with RI for the four forest types together (R2 = 0.79), as well as for an individual forest type (R2 = 0.55–0.63). More importantly, its performance was better than those from LAI (R2 = 0.33–0.43), PAI (R2 = 0.40–0.53) and ACH (R2 = 0.35). All those results demonstrated that CII was an efficient index for accurately predicting RI. The potential applications of CII were also discussed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».