Assessment of Cornfield LAI Retrieved from Multi-Source Satellite Data Using Continuous Field LAI Measurements Based on a Wireless Sensor Network
Notice bibliographique
Résumé
Accurate and continuous monitoring of leaf area index (LAI), a widely-used vegetation structural parameter, is crucial to characterize crop growth conditions and forecast crop yield. Meanwhile, advancements in collecting field LAI measurements have provided strong support for validating remote-sensing-derived LAI. This paper evaluates the performance of LAI retrieval from multi-source, remotely sensed data through comparisons with continuous field LAI measurements. Firstly, field LAI was measured continuously over periods of time in 2018 and 2019 using LAINet, a continuous LAI measurement system deployed using wireless sensor network (WSN) technology, over an agricultural region located at the Heihe watershed at northwestern China. Then, cloud-free images from optical satellite sensors, including Landsat 7 the Enhanced Thematic Mapper Plus (ETM+), Landsat 8 the Operational Land Imager (OLI), and Sentinel-2A/B Multispectral Instrument (MSI), were collected to derive LAI through inversion of the PROSAIL radiation transfer model using a look-up-table (LUT) approach. Finally, field LAI data were used to validate the multi-temporal LAI retrieved from remote-sensing data acquired by different satellite sensors. The results indicate that good accuracy was obtained using different inversion strategies for each sensor, while Green Chlorophyll Index (CIgreen) and a combination of three red-edge bands perform better for Landsat 7/8 and Sentinel-2 LAI inversion, respectively. Furthermore, the estimated LAI has good consistency with in situ measurements at vegetative stage (coefficient of determination R2 = 0.74, and root mean square error RMSE = 0.53 m2 m−2). At the reproductive stage, a significant underestimation was found (R2 = 0.41, and 0.89 m2 m−2 in terms of RMSE). This study suggests that time-series LAI can be retrieved from multi-source satellite data through model inversion, and the LAINet instrument could be used as a low-cost tool to provide continuous field LAI measurements to support LAI retrieval.
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 | 0,001 |
| 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 ».