Improving UAV-Based LAI Estimation for Forests Over Complex Terrain by Reducing Topographic Effects on Multispectral Reflectance
Notice bibliographique
Résumé
Leaf area index (LAI) is a key parameter for characterizing the dynamics of terrestrial ecosystems and is also one of the important structural parameters that can be retrieved from remote sensing (RS) data. LAI over mountainous areas, however, is still difficult to retrieve reliably due to the topographical variation that introduces significant uncertainties into observed reflectance. In this article, we proposed a new scheme to estimate topographic influence on ratio-based vegetation indices (VIs) from diffuse radiation, which is not yet adequately considered in existing topographic correction schemes. In our scheme, unmanned aerial vehicle (UAV) light detecting and ranging (LiDAR) data were first used to model the sky view factor (SVF) and terrain view factor of target pixels in a slope coordinate system. Based on these view factors, the total incident solar radiation on slope (ISRS) was corrected, specifically for the diffuse sky irradiance and adjacent terrain-reflected irradiance over complex terrains. we then recalculated the multispectral reflectance of UAV images and evaluated the topographic effects on the normalized difference vegetation index (NDVI) because the magnitudes of correction on red and near-infrared (NIR) reflectances are quite different. Finally, large-scale LAI distribution was retrieved by empirical models developed from the relationships between terrain-corrected NDVI and field-measured LAI. Our results show that the proposed topographic correction scheme can significantly improve the LAI retrievals over a growing season. Given that forests are widely distributed in complex terrains around the globe, this study would have significance in improving the mapping of global LAI that is essential for terrestrial carbon cycle studies.
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 | 0,001 | 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 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 ».