Rapid estimates of leaf litter chemistry using reflectance spectroscopy
Notice bibliographique
Résumé
Measuring the chemical traits of leaf litter is important for understanding plants’ influence on nutrient cycles, including through nutrient resorption and litter decomposition, but conventional leaf trait measurements are often destructive and labor-intensive. Here, we develop and evaluate the performance of partial least-squares regression models that use reflectance spectra of intact or ground leaves to estimate leaf litter traits, including carbon and nitrogen concentration, carbon fractions, and leaf mass per area (LMA). Our analyses included more than 300 samples of senesced foliage from 11 species of temperate trees, including both needleleaf and broadleaf species. Across all samples, we could predict each trait with moderate-to-high accuracy from both intact-leaf litter spectra (validation R 2 = 0.543–0.941; %root mean squared error (RMSE) = 7.49–18.5) and ground-leaf litter spectra (validation R 2 = 0.491–0.946; %RMSE = 7.00–19.5). Notably, intact-leaf spectra yielded better predictions of LMA. Our results support the feasibility of building models to estimate multiple chemical traits from leaf litter of a range of species. In particular, intact-leaf spectral models allow non-destructive trait estimation in a matter of seconds, which could enable researchers to measure the same leaves over time in studies of nutrient resorption.
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 | 0,001 | 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 | 0,000 |
| 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) | 0,001 | 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 ».