Cartographie des traits fonctionnels foliaires de la canopée d’une forêt tempérée mixte à partir d’imagerie hyperspectrale
Notice bibliographique
Résumé
Les traits fonctionnels foliaires sont des paramètres clés des processus écologiques dans les forêts. Malgré les progrès réalisés dans la cartographie de traits foliaires à partir d’imagerie hyperspectrale, il subsiste un besoin de construire des modèles spectres-traits spécifiques à un environnement donné, entraînés à partir de mesures à l’échelle de l’arbre, afin d'améliorer la précision des cartes locales de traits. Nous avons cartographié 12 traits fonctionnels foliaires dans une forêt tempérée mixte à partir d’imagerie hyperspectrale aéroportée. Des échantillons foliaires de cimes d'arbres (n = 166), couvrant un total de 16 espèces, ont été recueillis à l'aide d'une plateforme de drone pour mesurer des traits foliaires d’arbres individuels, à partir desquels la réflectance spectrale de la couronne a également été mesurée. Des modèles de régression des moindres carrés partiels (PLSR) ont été utilisés pour prédire les traits foliaires à partir des spectres de réflectance à l’échelle de l’arbre (400-2400 nm). Ces modèles ont prédit la masse foliaire par unité de surface (LMA), la surface foliaire spécifique (SLA) et l'épaisseur en eau (EWT) avec une haute précision (R2 > 0.8, %RMSE < 15). Les modèles de concentration de pigments, de l'azote et de la cellulose ont montré une performance modérée (R2 = 0.53–0.68, %RMSE = 17.24–21.31). Les performances les plus faibles ont été observées pour la lignine, le carbone, le contenu en matière sèche (LDMC) et l'hémicellulose (R2 = 0.24–0.44, %RMSE = 20.67–26.13). Des cartes à haute résolution spatiale (1.25 m pixel-1) de traits foliaires ont été produites pour l'ensemble de la zone d'étude de 16 km2. Notre étude s'ajoute aux recherches approfondies visant à utiliser la télédétection pour surveiller la biodiversité des traits fonctionnels à plus grande échelle et fournit des modèles qui saisissent la variation intraspécifique de nombreuses espèces d'arbres d'une forêt tempérée mixte de l'est du Canada.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».