Synergetic inversion of leaf area index and leaf chlorophyll content using multi-spectral remote sensing data
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».