Separating of Overstory and Understory Leaf Area Indices forGlobal Needleleaf and Deciduous Broadleaf Forests by Fusion ofMODIS and MISR Data
Notice bibliographique
Résumé
Abstract. Forest overstory and understory layers differ in carbon and water cycle regimes, phenology, as well as ecosystem functions. Separate retrievals of Leaf Area Index (LAI) for these two layers would help to improve modeling forest biogeochemical cycles and evaluating forest ecosystem functions. In this paper, overstory and understory LAI values were estimated separately for global needleleaf and deciduous broadleaf forests by fusing MISR and MODIS observations. Monthly forest understory LAI was retrieved from the forest understory reflectivity estimated using MISR data. After correcting for the background contribution using monthly mean forest understory reflectivities, the forest overstory LAI was estimated from MODIS observations. The results demonstrate that forest understory vegetation is mainly distributed in the boreal forest zones at northern latitudes. Significant seasonal variations are presented for understory vegetation in these zones with LAI values up to 2–3 from June to August. Higher understory LAI values are found in needleleaf forests (with mean value of 1.06 for evergreen needleleaf forests and 1.04 for deciduous needleleaf forests) than in deciduous broadleaf forests (0.96) due to the more clumped foliage and easier penetration of light to the forest floor in needleleaf forests. The magnitude of seasonal variations of overstory LAI is larger for deciduous needleleaf forests than those of evergreen and deciduous needleleaf forests. In contrast, for forest understory, needleleaf forests show larger seasonal variations than broadleaf forests. Spatially and seasonally variable forest understory reflectivity helps to account for the effects of the forest background on LAI retrieval while compared with constant forest background. The retrieved forest overstory and understory LAI values were compared with an existing dataset for larch forests in Northern Eurasia. The retrieved overstory and understory LAI is close to that of the existing dataset, with an absolute error of 0.34 (0.06), relative error of 21.1 % (14.3 %) and RMSE of 0.93 (0.29) for overstory (understory). The comparisons between our results and field measurements in eight forest sites show that the R2 are 0.62 and 0.52, and the RMSE are 0.62 and 1.36 for understory and overstory LAI, respectively.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 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 ».