Separating leaf area index from plant area index using semi-supervised classification of digital hemispheric canopy photographs: A case study of dryland vegetation
Notice bibliographique
Résumé
Leaf area index ( LAI ) describes the main plant surface area for gas exchange. Accurate LAI measurements are integral to effective hydrological, ecological, and climate modelling. LAI is commonly modelled using canopy gap fraction measurements from optical sensors. In woody vegetation, however, the wood to total plant area ratio ( α ) must also be estimated to convert plant area index ( PAI ) to LAI . Historically, estimating α required destructive harvests and is a potential source of LAI error. In this study, we present a theoretical framework for estimating LAI from digital hemispheric canopy photography by correcting for α within each image using semi-supervised pixel classification. We apply this framework to 201 images collected in semi-arid Australian vegetation (overstorey LAI range 0–5) to explore potential sources of error from: image classification, LAI model implementation, and differences in α among vegetation types. Leaf, wood, and canopy gap (sky) pixels were classified using a random forest (RF) algorithm with 87.7 ± 0.01 % accuracy (mean ± standard error) under overcast skies but 81.3 ± 0.01 % under clear sky conditions where leaf and wood pixel classification was inconsistent. LAI estimates using the proposed approach had a strong linear relationship to PAI ( r 2 ≥ 0.97). However, the proportional contribution of woody material to canopy gap fraction was zenith angle dependent. Allowing α to vary by zenith and azimuth angle when calculating LAI resulted in estimates 10–17 % higher than widely used PAI conversion methods. The zenith angle distribution of α also differed among co-occurring vegetation types. Allowing the PAI to LAI regression slope to vary based on the dominant genus reduced PAI conversion error by ∼2 % ( p < 0.001). Quantifying α variability within canopies and between vegetation types using the method outlined here can reduce on-ground LAI measurement uncertainty.
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 | 0,002 |
| 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) | 0,000 | 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 ».