The hyperspectral determination of Sphagnum water content in a bog
Notice bibliographique
Résumé
Sphagnum's strong water-holding capacities, its dominance in bogs, and the overall importance of water in regulating photosynthesis make it a key ecosystem engineer.Though its effectiveness in this context has rarely been tested, Spectral Vegetation Indices (SVIs) derived from hyperspectral data allow for efficient modeling of Sphagnum gravimetric water content over large scales.This study tests whether a linear model relating a SVI to Sphagnum gravimetric water content (i.e. S. capillifolium, S. magellanicum, S. angustifolium/S.fallax, or all Sphagnum species pooled together) can be applied to the landscape level using airborne hyperspectral imagery taken over Mer Bleue Bog, near Ottawa, Ontario, Canada.The depth of a Sphagnum species sample contributing to the reflectance and the vertical distribution of water across a species sample was also analyzed to test the accuracy of water content measurements.Additionally, image SVI data were compared to field SVI data to test the effectiveness of image spectra.Results indicate that light penetrated 1.5 cm in S. capillifolium samples, 1.0 cm in S. magellanicum samples, and 2.5 cm in S. angustifolium/S.fallax samples.Water variability was highest in samples with elevated water contents for every Sphagnum species analyzed.The Normalized Difference Water Index (NDWI) (dimensionless) was the most effective in estimating Sphagnum gravimetric water content of all SVIs (Root Mean Square Error=161.34%,P= 0.000).Image NDWI values mimicked field NDWI values (Root Mean Square Error= 0.000740, P= 0.0000).The application of the NDWI to areas identified as being favorable for Sphagnum growth in an image resulted in a map of Sphagnum gravimetric water content for a given day in a bog.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».