Separating Shrub Cover From Green Vegetation in Grasslands Using Hyperspectral Vegetation Indices
Notice bibliographique
Résumé
Shrub cover is a key parameter for monitoring woody plant encroachment (WPE) in the background of global grassland degradation.At the critical early encroachment stage, many shrub species are small, and it is impossible to be detected through height parameters.Hyperspectral vegetation indices (HVIs) are valuable tools to estimate vegetation cover, while the effect of shrubs of different cover levels (e.g., low: <35%, moderate: 36-55%, high: >56%) on the spectrum of mixed grassland is still unclear.In this study, narrowband HVIs were created for shrub cover estimation using field hyperspectral data collected in Cypress Hills Interprovincial Park, SK.Published HVIs and newly developed HVIs were examined for the relationship between green shrub cover and total green vegetation (GV) cover.Averaging normalized difference vegetation index (NDVI) was also used to minimize in the variation of shrub cover and GV in each quadrat.Results showed that HVIs SR [600, 800] and NDVI [705, 750] had the highest R 2 with green shrub and GV cover (R 2 = 0.34 and R 2 = 0.30, p-value < 0.05).Blue bands (449 and 489 nm) and SWIR bands (1619 and 1739 nm) combination exhibited the highest accuracy for shrub and GV covers estimation (R 2 = 0.60 and 0.40, p-value < 0.05).Averaging NDVI positively correlated with green shrub cover below 30% or above 70%.Three separability metrics (JM, TD, and M) results also showed the red and NIR region may promise to distinguish different shrub cover levels.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».