RETRIEVAL OF LEAF AREA INDEX AND LEAF CHLOROPHYLL CONTENT FROM HYPERSPECTRAL DATA USING DEEP LEARNING NETWORKS
Notice bibliographique
Résumé
Abstract. This study aimed to exploit the use of deep learning networks in the retrieval of the biophysical and biochemical parameters of vegetation canopies. Convolutional Neural Network (CNN), network with only fully connected layers, referred as dense network (DNN), and Autoencoder (AE) were investigated to retrieve leaf area index (LAI) and leaf chlorophyll content. Hyperspectral data simulated by the coupled PROSPECT and SAIL model were used for training and validation. The real CASI hyperspectral data in 50 spectral channels ranging from 522.4 nm to 894.2 nm collected over three agricultural crop fields during the growing season of 2001 were used, together with the in-situ measured LAI and leaf chlorophyll content, as independent test set. Occlusion analysis was also employed to determine the important spectral bands at which reflectance made more contributions to the retrieval with a CNN and interpret the latent variables of the AE. Satisfactory results from these deep learning networks were obtained, compared with ground truth. The DNN with the input of the vegetation indices sensitive to LAI and leaf chlorophyll content (MTVI2 and TCARI/OSAVI) generated the best results with R2 of 0.86 for LAI and 0.55 for leaf chlorophyll content.
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 | 0,000 | 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 | 0,001 |
| 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 ».