Synergetic inversion of leaf area index and leaf chlorophyll content using multi-spectral remote sensing data
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
Individual inversions of Leaf Area Index (LAI) and Leaf Chlorophyll Content (LCC) have problems due to the mutual interference between these two vegetation parameters on remote sensing signals. We therefore explore synergetic inversion of these two parameters to improve their inversion accuracy. We selected subtropical forest plantations, where canopy reflectance data were collected using a DJI Phantom 4 Multispectral Unmanned Aerial Vehicle (UAV) every month during 2021–2022. Monthly in-situ observations of LAI and Clumping Index (CI) were also made in 23 broadleaf tree plots of dimension 12 m × 12 m. Vegetation Indices (VI) were calculated with the mean reflectance of all pixels at 0.06 m resolution within each sampling plot, and only those VIs with highest sensitivities to LAI or LCC were selected and correlated to LAI and LCC. An empirical model in the form of VI = f(LAI, LCC) was constructed for synergetic inversion of LAI and LCC. For the purpose of comparison, two models VI = f(LAI) and VI = f(LCC) were also constructed and used for the inversions of LAI and LCC, separately. The synergetic inversion model yields R2 = 0.60 and RMSE = 2.80 cm2/cm2 for LAI and R2 = 0.45 and RMSE = 32.71 μg/cm2 for LCC, whereas the separate inversion models result in R2 = 0.59 and RMSE = 2.82 cm2/cm2 for LAI and R2 = 0.35 and RMSE = 35.86 μg/cm2 for LCC. Moreover, we found that the inclusion of VIs containing a red edge band in the synergetic inversion can effectively improve the inversion accuracy. The proposed synergetic inversion method based on multiple VIs would be an effective way to separate the mutual interference between LAI and LCC and improve the accuracy of LCC inversion from remote sensing data.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| 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