Mapping canopy foliar functional traits in a mixed temperate forest using imaging spectroscopy
Notice bibliographique
Résumé
Abstract Foliar functional traits are key drivers of ecological processes in forests. Despite progress in forest foliar trait mapping from imaging spectroscopy, there is a need to build environment-specific, spectra-trait models trained from tree-level measurements to improve the accuracy of local trait maps. We mapped 12 foliar functional traits in a mixed temperate forest using airborne imaging spectroscopy. Top-of-canopy foliar samples from tree crowns (n = 166), representing a total of 16 species, were collected using a drone platform to measure foliar traits for individual trees, from which tree-level crown spectra were also determined. Partial least squares regression (PLSR) models were used to predict foliar traits from tree-level reflectance spectra (400-2400 nm). These models predicted leaf mass per area (LMA), specific leaf area (SLA) and equivalent water thickness (EWT) with high accuracy (R 2 > 0.8, %RMSE < 15). Models for pigment, nitrogen and cellulose concentrations showed a moderate performance (R 2 = 0.53–0.68, %RMSE = 17.24–21.31). Poorest performance was observed for lignin, carbon, leaf dry mass content (LDMC) and hemicellulose (R 2 = 0.24–0.44, %RMSE = 20.67–26.13). High-resolution (1.25 m pixel -1 ) foliar trait maps were produced for the entire 16-km 2 study area. Our study adds to the extensive research aiming to use remote sensing to monitor forest functional trait biodiversity at larger scales and provides models that capture intraspecific variation across many tree species from a mixed temperate forest in eastern Canada.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».