Cartographie des traits fonctionnels foliaires de la canopée d’une forêt tempérée mixte à partir d’imagerie hyperspectrale
Bibliographic record
Abstract
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.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| 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) | 0.003 | 0.001 |
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".