Mapping Tree Species Deciduousness of Tropical Dry Forests Combining Reflectance, Spectral Unmixing, and Texture Data from High-Resolution Imagery
Notice bibliographique
Résumé
In tropical dry forests, deciduousness (i.e., leaf shedding during the dry season) is an important adaptation of plants to cope with water limitation, which helps trees adjust to seasonal drought. Deciduousness is also a critical factor determining the timing and duration of carbon fixation rates, and affecting energy, water, and carbon balance. Therefore, quantifying deciduousness is vital to understand important ecosystem processes in tropical dry forests. The aim of this study was to map tree species deciduousness in three types of tropical dry forests along a precipitation gradient in the Yucatan Peninsula using Sentinel-2 imagery. We propose an approach that combines reflectance of visible and near-infrared bands, normalized difference vegetation index (NDVI), spectral unmixing deciduous fraction, and several texture metrics to estimate the spatial distribution of tree species deciduousness. Deciduousness in the study area was highly variable and decreased along the precipitation gradient, while the spatial variation in deciduousness among sites followed an inverse pattern, ranging from 91.5 to 43.3% and from 3.4 to 9.4% respectively from the northwest to the southeast of the peninsula. Most of the variation in deciduousness was predicted jointly by spectral variables and texture metrics, but texture metrics had a higher exclusive contribution. Moreover, including texture metrics as independent variables increased the variance of deciduousness explained by the models from R2 = 0.56 to R2 = 0.60 and the root mean square error (RMSE) was reduced from 16.9% to 16.2%. We present the first spatially continuous deciduousness map of the three most important vegetation types in the Yucatan Peninsula using high-resolution imagery.
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 | 0,001 | 0,001 |
| 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 ».