Synergetic inversion of leaf chlorophyll content and leaf area index from Sentinel-2 data using artificial neural networks trained with a radiative transfer model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 |
| 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 découle