Why can we detect lianas from space?
Notice bibliographique
Résumé
Abstract Lianas, woody vines acting as structural parasites of trees, have profound effects on the composition and structure of tropical forests, impacting tree growth, mortality, and forest succession. Remote sensing offers a powerful tool for quantifying the scale of liana infestation, provided the availability of robust detection methods. We analyze the consistency and global specificity of spectral signals from liana-infested tree crowns and forest stands, examining the underlying mechanisms. We compiled a database, including leaf reflectance spectra from 5424 leaves, fine-scale airborne reflectance data from 999 liana-infested canopies, and coarse-scale satellite reflectance data covering hectares of liana-infested forest stands. To unravel the mechanisms of the liana spectral signal, we applied mechanistic radiative transfer models across scales, corroborated by field data on liana leaf chemistry and canopy structure. We find a consistent liana spectral signature at canopy and stand scales across sites. This signature mainly arises at the canopy level due to direct effects of leaf angles, resulting in a larger apparent leaf area, and indirect effects from increased light scattering in the NIR and SWIR regions, linked to lianas’ less costly leaf construction compared to trees. The existence of a consistent global spectral signal for lianas suggests that large-scale quantification of liana infestation is feasible. However, because the traits identified are not exclusive to lianas, accurate large-scale detection requires rigorously validated remote sensing methods. Our models highlight challenges in automated detection, such as potential misidentification due to leaf phenology, tree life-history, topography, and climate, especially where the scale of liana infestation is less than a single remote sensing pixel. The observed cross-site patterns also prompt ecological questions about lianas’ adaptive similarities across environments, indicating possible convergent evolution due to shared constraints on leaf biochemical and structural traits. Open data statement Of the 17 datasets used, 10 are published and publicly accessible, with links provided in this submission (Appendix S1: Section S1). Upon acceptance, remaining seven datasets will be provided via Smithsonian’s Dspace. The open-source model code is available as R-package ccrtm ( https://cran.r-project.org/web/packages/ccrtm/index.html ) and on github ( https://github.com/MarcoDVisser/ccrtm ). Code will be archived in Zenodo should the manuscript be accepted for publication
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».