A Normalized Spectral Angle Index for Estimating the Probability of Viewing Sunlit Leaves From Satellite Data
Notice bibliographique
Résumé
The probability of viewing sunlit leaves (PT) is a crucial variable influencing observed canopy spectra. Proper determination of PT is necessary for the quantitative retrieval of vegetation parameters using remote sensing. This article describes a spectral index for estimating PT from satellite-observed canopy spectra. For this purpose, we propose a normalized spectral angle index (NSAI) at near-infrared (NIR) wavelengths, based on the spectral shapes of leaf and soil background. The performance of NSAI in estimating PT was evaluated using one ground-based high-resolution imaging dataset, one synthetic satellite dataset, and one satellite-ground synchronous observation dataset. The results demonstrate that NSAI is more suitable for estimating PT from satellite data than five commonly used spectral indices, including enhanced vegetation index (EVI), normalized difference spectral index (NDSI), normalized difference vegetation index (NDVI), simple ratio (SR) index, and photochemical reflectance index (PRI). NSAI exhibits a significant linear correlation with PT. The empirical model for estimating PT based on NSAI has the best transferability from simulated to in situ satellite data. For the fine spectral–spatial resolution (Hyperion) data, the normalized root-mean-square error (nRMSE) and adjusted$R^{2}$of estimated PT were 14.9% and 0.744, respectively. For MODIS images, PT was estimated with satisfactory accuracy, with an nRMSE of 18.71% and an adjusted$R^{2}$of 0.670. NSAI is potentially applicable to satellite images for direct estimation of PT to improve the inversion accuracy of vegetation parameters.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».