Synergetic inversion of leaf chlorophyll content and leaf area index from Sentinel-2 data using artificial neural networks trained with a radiative transfer model
Notice bibliographique
Résumé
Leaf area index (LAI) and leaf chlorophyll content (LCC) are two key vegetation traits affecting vegetation growth and function. They have often been retrieved individually from multi-spectral remote sensing data by ignoring their mutual influence on spectral signals. In this study, we developed a machine learning algorithm for synergetically retrieving both traits at the same time through training the algorithm using simulations of a radiative transfer model PROSAIL. The algorithm determines LAI based on visible, red-edge, near-infrared and shortwave infrared bands, while it infers LCC mostly from visible and red-edge bands. In this way, the mutual influences of LAI and LCC on visible and red-edge bands are considered in the algorithm. The algorithm is applied to a rice field over multiple growing seasons (2017-2018, 2024) using Sentinel-2 data. It is found that synergetically retrieved LAI and LCC are more accurate (R2=0.82 and 0.85, RMSE=0.83 and 5.00 μg/cm², respectively) than individually retrieved LAI (R2=0.54, RMSE=1.49) and LCC (R2=0.85, RMSE=9.35 μg/cm²). Our results suggest that this synergetic retrieval principle and methodology may be utilized to improve regional and global LAI and LCC products.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».