The Impact of Non-Photosynthetic Vegetation on LAI Estimation by NDVI in Mixed Grassland
Notice bibliographique
Résumé
Leaf area index (LAI) is widely used for algorithms and modelling in the field of ecology and land surface processes. At a global scale, normalized difference vegetation index (NDVI) products generated by different remote sensing satellites, have provided more than 40 years of time series data for LAI estimation. NDVI saturation issues are reported in agriculture and forest ecosystems at high LAI values, creating a challenge when using NDVI to estimate LAI. However, NDVI saturation is not reported on LAI estimation in grasslands. Previous research implies that non-photosynthetic vegetation (NPV) reduces the accuracy of LAI estimation from NDVI and other vegetation indices. A question arises: is the absence of NDVI saturation in grasslands a result of low LAI value, or is it caused by NPV? This study aims to explore whether there is an NDVI saturation issue in mixed grassland, and how NPV may influence LAI estimation by NDVI. In addition, in-situ measured plant area index (PAI) by sensors that detect light interception through the vegetation canopy (e.g., Li-cor LAI-2000), the most widely used field LAI collection method, might create bias in LAI estimation or validation using NDVI. Thus, this study also aims to quantify the contribution of green vegetation (GV) and NPV on in-situ measured PAI. The results indicate that NDVI saturation (using the portion of NDVI only contributed by GV) exists in grassland at high LAI (LAI threshold is much lower than that reported for other ecosystems in the literature), and that the presence of NPV can override the saturation effects of NDVI used to estimate green LAI. The results also show that GV and NPV in mixed grassland explain, respectively, the 60.33% and 39.67% variation of in-situ measured PAI by LAI-2000.
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 ».