Characterizing annual leaf area index changes and volume growth using ALS and satellite data in forest plantations
Notice bibliographique
Résumé
While Leaf Area Index (LAI) is critical for understanding forest canopy, photosynthesis and forest growth, traditional field-based LAI measurements are laborious and costly. Remote sensing offers a practical alternative for extensive assessments. Satellite imagery provides broad-scale, long-term monitoring; however, may lack detail needed to guide specific forest management actions. Conversely, Airborne Laser Scanning (ALS) provides accurate LAI estimates at fine spatial detail but is limited by cost and temporal monitoring constraints. Combining ALS data with satellite observations could enhance plantation management decisions by balancing extensive coverage with detailed observations. This study explores the integration of ALS and satellite remote sensing as a comprehensive alternative for assessing LAI and stand volume growth rate (m3/ha/year) in operational Pinus radiata plantations in central-south Chile. Our approach comprised four major steps. First, we applied the Beer-Lambert law using ALS vertical profiles to estimate LAI across a forest plantation (LAIALS). We found that ALS accurately estimated LAI across 121 plots (R2 = 0.82 and RMSE = 0.51). Second, we built a simple linear regression to link LAIALS with the Normalized Difference Moisture Index (NDMI) derived from surface reflectance information from the Landsat / Sentinel-2 satellites, resulting in an R2 of 0.53 and an RMSE of 1.17. This step showed a higher correlation with satellite data compared to using only ground-based LAI estimates (R2 = 0.38; RMSE = 1.18). Third, we transformed biweekly NDMI time series to LAI, then derived peak annual LAI as an indicator of mean annual increment (MAI) (R2 = 0.51; RMSE = 5.27 m³/ha/year). This allowed us to characterize stand growth and LAI on a yearly wall-to-wall basis. Throughout the modelling steps, we incorporated error propagation, allowing final estimates to be error bounded. This integrated approach serves as a tool for identifying and visualizing growth irregularities, guiding adaptive management strategies to maintain or enhance stand productivity over time.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».