Optical reflectance across spatial scales—an intercomparison of transect-based hyperspectral, drone, and satellite reflectance data for dry season rangeland
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Drone-based multispectral sensing is a valuable tool for dryland spatial ecology, yet there has been limited investigation of the reproducibility of measurements from drone-mounted multispectral camera array systems or the intercomparison between drone-derived measurements, field spectroscopy, and satellite data. Using radiometrically calibrated data from two multispectral drone sensors (MicaSense RedEdge (MRE) and Parrot Sequoia (PS)) co-located with a transect of hyperspectral measurements (tramway) in the Chihuahuan desert (New Mexico, USA), we found a high degree of correspondence within individual drone data sets, but that reflectance measurements and vegetation indices varied between field, drone, and satellite sensors. In comparison to field spectra, MRE had a negative bias, while PS had a positive bias. In comparison to Sentinel-2, PS showed the best agreement, while MRE had a negative bias for all bands. A variogram analysis of NDVI showed that ecological pattern information was lost at grains coarser than 1.8 m, indicating that drone-based multispectral sensors provide information at an appropriate spatial grain to capture the heterogeneity and spectral variability of this dryland ecosystem in a dry season state. Investigators using similar workflows should understand the need to account for biases between sensors. Modelling spatial and spectral upscaling between drone and satellite data remains an important research priority.
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.
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 | 0,000 |
| 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 | 0,000 |
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 découle