A Comparison of Spectral Mixture Analysis and Ten Vegetation Indices for Estimating Boreal Forest Biophysical Information from Airborne Data
Bibliographic record
Abstract
L'analyse des spectres mixtes (ASM) permet de dériver le pourcentage de couronnes ensoleillées, de fond et d'ombre à l'intérieur d'un pixel d'une image de télédétection. Il a été démontré que l'information à l'échelle du sous-pixel peut fournir de façon continue des estimations significativement améliorées d'information biophysique sur la forêt comme la biomasse, l'indice de surface foliaire (LAI) et la production primaire nette (NPP) comparativement aux estimations de NDVI (Normalised Difference Vegetation Index) utilisant des images aéroportées ou satellitales. Toutefois, un certain nombre d'indices de végétation ont été proposés à titre d'amélioration au NDVI. Dans cet article, dix indices de végétation différents ont été utilisés pour prédire les paramètres biophysiques de la forêt et les résultats ont été comparés avec les résultats obtenus par analyse des spectres mixtes utilisant les données multispectrales aéroportées du projet COVER de la NASA, dans la Superior National Forest du Minnesota, aux États-Unis. Cet ensemble de données a été acquis à travers une gamme d'angles solaires zénithaux à la limite de résolution spatiale et dans les bandes spectrales du capteur Thematic Mapper de Landsat. Les indices de végétation suivants ont été dérivés des données de télédétection: NDVI, SR, MSR, RDVI, WDVI, GEMI, NLI et trois autres indices de végétation ajustés en fonction du sol (SAVI, SAVI-1, SAVI-2). Des résultats ont été obtenus à des angles solaires zénithaux de 30°, 45° et 60° pour la biomasse, LAI, NPP, DBH, la densité de tiges et la fraction de surface terrière. Dans tous les cas, les fractions d'ombre dérivées de l'analyse des spectres mixtes ont fourni des résultats significativement meilleurs que tout autre indice de végétation, avec une amélioration de l'ordre de 20% comparativement aux meilleurs résultats obtenus par les indices de végétation. Dans la plupart des cas, un ou plusieurs des nouveaux indices de végétation ont apporté une amélioration variant de faible à modérée comparativement au NDVI, WDVI et SAVI-1 ayant la meilleure performance parmi les indices de végétation grâce probablement à l'inclusion de la réflectance de fond. En conclusion, quoique les différents indices de végétation puissent apporter une amélioration par rapport au NDVI, ceux-ci apparaissent comme fonctionnellement équivalents et fondamentalement semblables en termes de statistiques de premier ordre quant à leur potentiel à prédire les paramètres biophysiques de la forêt, potentiel qui est surpassé par les approches basées sur la décomposition des images à l'échelle du sous-pixel comme l'analyse des spectres mixtes et la modélisation de la réflectance optique du couvert.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".