Predicting leaf traits across functional groups using reflectance spectroscopy
Notice bibliographique
Résumé
Summary Plant ecologists use functional traits to describe how plants respond to and influence their environment. Reflectance spectroscopy can provide rapid, non‐destructive estimates of leaf traits, but it remains unclear whether general trait‐spectra models can yield accurate estimates across functional groups and ecosystems. We measured leaf spectra and 22 structural and chemical traits for nearly 2000 samples from 103 species. These samples span a large share of known trait variation and represent several functional groups and ecosystems, mainly in eastern Canada. We used partial least‐squares regression (PLSR) to build empirical models for estimating traits from spectra. Within the dataset, our PLSR models predicted traits such as leaf mass per area (LMA) and leaf dry matter content (LDMC) with high accuracy ( R 2 > 0.85; %RMSE < 10). Models for most chemical traits, including pigments, carbon fractions, and major nutrients, showed intermediate accuracy ( R 2 = 0.55–0.85; %RMSE = 12.7–19.1). Micronutrients such as Cu and Fe showed the poorest accuracy. In validation on external datasets, models for traits such as LMA and LDMC performed relatively well, while carbon fractions showed steep declines in accuracy. We provide models that produce fast, reliable estimates of several functional traits from leaf spectra. Our results reinforce the potential uses of spectroscopy in monitoring plant function around the world.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 0,001 |
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 ».