Integrating prior information for improving 3D model-driven GAI estimation with application to wheat crops
Notice bibliographique
Résumé
Green Area Index (GAI) is a key crop trait obtained through remote sensing with wide applications in agriculture. Although 3D model-driven approaches to retrieve GAI from multispectral reflectance observations are appealing, they are constrained by limitations in the realism of simulated datasets used for training. This study comprehensively explored how to integrate prior information—such as soil background, leaf optical properties, and canopy structure—into radiative transfer models to improve GAI retrieval. A suite of models (MARMIT-2 for soil reflectance, PROSPECT for leaf optical properties, ADEL-Wheat for canopy structure, and LESS for radiative transfer) was employed to generate five simulation datasets incorporating different combinations of prior information. Support Vector Regression (SVR) models were independently trained on these simulated datasets and validated against an extensive data set made of 310 samples of GAI ground measurements and the corresponding SuperDove satellite data. Our results show that stage-specific GAI retrieval integrating detailed prior information on soil and leaf properties (R 2 = 0.93, RMSE = 0.47) notably outperforms standard model inversion approaches (R 2 = 0.82, RMSE = 0.73). The improved realism of the training dataset stems from three key strategies was discussed in detail including: (1) employing models that integrates physical and biological knowledge; (2) narrowing the training space; and (3) minimizing distribution shifts. While this study focused on GAI estimation for wheat crops using SuperDove observations, the findings can be extended to other crops, vegetation variables, and satellite systems.
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 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 | 0,000 |
| 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 tête enseignante, 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 ».