EcoSIS Oven Dried Leaf Spectra and Measured Traits from the Sierra Nevada (CA) in July 2023 (reflectance)

samples

2,151

wavelengths

sources

targets

metadata

NIR

family

Dataset property explorer

Mean profile risk0.44

Highest axisArtefacts locaux · 1.00

Diagnostics8

Sources profiled1

Profile axes

Intégrité	0.00
Artefacts locaux	1.00
Bruit	0.00
Outliers PCA	0.74
Distance à la référence	0.78
Répétabilité	0.05
Baseline / forme	0.18
Structure multi-régimes	0.79

Diagnostic	Score	Force	Signaux	Interprétation probable
Splice / raccord détecteursX	0.81	forte	Spike rate 1.00, Jump rate 1.00, SNR non dégradé 1.00	Rupture aux jonctions de détecteurs, calibration locale ou sonde différente.
Erreur interpolation / rééchantillonnageX	0.65	moyenne	Spike rate 1.00, Jump rate 1.00, SNR normal/élevé 1.00	Artefacts numériques ou traitement spectral incorrect.
Signature VERA25-likeX	0.64	moyenne	Spike rate 1.00, Jump rate 1.00, RMS/SAM référence 0.78	Combinaison possible changement de sonde + splice, amplifiée par géométrie, fond ou calibration.
Spectre hors domaine valideX	0.56	moyenne	Structure PCA 0.79, RMS/SAM référence 0.78, Mahalanobis / T2 0.74	Variété, espèce, lot ou condition différente mais physiquement plausible.
Dataset multi-régimesX	0.53	moyenne	Structure PCA 0.79, RMS/SAM référence 0.78, Mahalanobis / T2 0.74	Mélange de campagnes, opérateurs, lots, setups ou sous-populations spectrales.
Différence de sonde / géométrieX	0.48	moyenne	RMS/SAM référence 0.78, Mahalanobis / T2 0.74, PCA Q 0.57	Modification de l'illumination, collecte, angle ou distance sonde-échantillon.
Erreur calibration / référence blancheX	0.46	moyenne	artefacts locaux 1.00, RMS/SAM référence 0.78, Mahalanobis / T2 0.74	Décalage systématique entre campagnes, instruments ou référence blanche.
Fond différentX	0.41	faible	RMS/SAM référence 0.78, Mahalanobis / T2 0.74, PCA Q 0.57	Effet systématique du support, blanc/noir, transflectance ou environnement de mesure.

Spectral sources

CA2023_ovendried_dryspectra.csv

X · NIR · Analytical Spectral Devices FieldSpec 3

Sampling

Wavelengths	2,151
Axis range	350–2,500 nm
Mean spacing	1 nm
Grid	uniform
Observations	498

Signal & quality

Value range	0.0265 – 0.958
Mean range	0.0508 – 0.859
Mean level	0.5168
Area	1111
PTP	0.8084
Noise RMS	4.6278e-05
SNR	1.1e+04
SNR dB	8e+01 dB
Dynamic range	0.808
Smoothness	0.0004247
Saturated	0.0%
X-outliers	236

Integrity & artefacts

NaN ratio	0.00%
Inf count	0
Zero ratio	0.00%
Spike count	32,556
Spike rate	3.04%
Jump count	15,279
Jump rate	1.43%
Clip fraction	0.00%

Shape & reference

Baseline slope	-0.035092
Curvature RMS	0.00041683
D1 RMS	0.0018141
RMS to mean	0.047808
RMS p95	0.12671
SAM to mean	0.056566
SAM p95	0.17674
Affine offset p95	0.10946
Affine gain p95 Δ	0.14718
Affine residual p95	0.075885
Xcorr lag p95	0

Outliers & repeatability

PCA Q p95/median	4.5
Hotelling T2 p95/median	5.9
Mahalanobis H p95/median	2.4
Repeat groups	83
RMS intra-ID	0.003933
SAM intra-ID	0.0048276
CV intra-ID	0.011189

Dimensionality (PCA)

Effective rank	2.8
PCs → 95% var	3
PCs → 99% var	6
Top-10 cum. var	99.7%

Computed metric scores 29worst 1.00

Famille	Métrique calculée	Valeur	Score	Niveau	Interprétation dataset	Causes typiques	Calcul / scoring
Intégrité des données	`NaN ratio`integrity.nan_ratio	0%	0.00	faible	Spectre complet	Erreur acquisition/export	count(isnan(X)) / X.sizealert = min(1, nan_ratio / 0.05)
Intégrité des données	`Inf count`integrity.inf_count	0	0.00	faible	Normal	Calculs invalides	count(isinf(X))alert = min(1, inf_count / 1)
Intégrité des données	`Zero ratio`integrity.zero_ratio	0%	0.00	faible	Normal	Export, saturation	count(X == 0) / count(finite X)alert = min(1, zero_ratio / 0.05)
Amplitude globale	`Mean reflectance`amplitude.mean_reflectance	0.51679	0.18	faible	Trop sombre	Fond, géométrie	mean(X finite)alert reuses baseline/shape drift because absolute reflectance ranges are technology-dependent
Amplitude globale	`Area under curve`amplitude.area_under_curve	1111.5	0.18	faible	Normal	Distance sonde	trapezoid(mean_spectrum, spectral_axis)alert reuses baseline/shape drift because area scale depends on axis and units
Amplitude globale	`Peak-to-peak (PTP)`amplitude.peak_to_peak	0.80839	0.00	faible	Variabilité forte	Saturation	max(mean_spectrum) - min(mean_spectrum)alert increases when dynamic range is abnormally flat
Amplitude globale	`Variance`amplitude.variance	0.060064	0.00	faible	Normal ou hétérogène	Mauvais contact	var(X finite)alert increases when variance/dynamic range is abnormally flat
Bruit	`Noise RMS`noise.noise_rms	4.6278e-05	0.00	faible	Stable	Lampe, détecteur	median MAD(second derivative) * 1.4826 / sqrt(6)alert = noise_rms / signal_scale, saturated at 5%
Bruit	`SNR`noise.snr	11167	0.00	faible	Bon signal	Acquisition	mean(abs(X)) / noise_rmsalert decreases with SNR dB; >=40 dB is treated as low alert
Bruit	`Bandwise SNR`noise.bandwise_snr_min	34.088	0.12	faible	Zone fiable	Détecteur	min(abs(mean_spectrum) / local second-derivative noise)alert decreases with worst-band SNR dB; >=35 dB is treated as low alert
Artefacts locaux	`Spike count`artefacts.spike_count	32,556	1.00	fort	Artefacts	Cosmic rays, splice	count robust outliers in second derivativealert follows spike_rate, saturated at 1%
Artefacts locaux	`Spike rate`artefacts.spike_rate	3.04%	1.00	fort	Spectre suspect	Interpolation	spike_count / (n_samples * (n_features - 2))alert = min(1, spike_rate / 0.01)
Artefacts locaux	`Jump count`artefacts.jump_count	15,279	1.00	fort	Raccord détecteur	Splice	count robust outliers in first derivativealert follows jump_rate, saturated at 1%
Artefacts locaux	`Jump rate`artefacts.jump_rate	1.43%	1.00	fort	Problème spectral	Calibration	jump_count / (n_samples * (n_features - 1))alert = min(1, jump_rate / 0.01)
Artefacts locaux	`Clip fraction`artefacts.clip_fraction	0.000187%	0.00	faible	Normal	Détecteur saturé	fraction of finite cells equal to repeated min/max extremaalert = min(1, clip_fraction / 0.01)
Forme spectrale	`Baseline slope`shape.baseline_slope	-0.035092	0.09	faible	Stable	Éclairement	linear slope of mean_spectrum over normalized axisalert = abs(slope / signal_scale), saturated at 0.5
Forme spectrale	`Curvature RMS`shape.curvature_rms	0.00041683	0.05	faible	Lisse	Fond, splice	median RMS(second derivative per spectrum)alert = curvature_rms / signal_scale, saturated at 1%
Forme spectrale	`D1 RMS`shape.d1_rms	0.0018141	0.04	faible	Plat	Biologie ou artefact	median RMS(first derivative per spectrum)alert = d1_rms / signal_scale, saturated at 5%
Outliers multivariés	`PCA Q (SPE)`outliers.pca_q_ratio	4.5486	0.57	moyen	Spectre atypique	Artefact, mélange	p95(Q/SPE residual) / median(Q/SPE residual)alert = min(1, pca_q_ratio / 8)
Outliers multivariés	`Hotelling T²`outliers.hotelling_t2_ratio	5.9082	0.74	fort	Extrême mais cohérent	Variabilité naturelle	p95(Hotelling T2) / median(Hotelling T2)alert = min(1, hotelling_t2_ratio / 8)
Outliers multivariés	`Mahalanobis H`outliers.mahalanobis_h_ratio	2.4307	0.61	moyen	Outlier global	Domaine différent	p95(sqrt(T2)) / median(sqrt(T2))alert = min(1, mahalanobis_h_ratio / 4)
Comparaison à référence	`RMS to mean spectrum`reference.rms_to_mean_spectrum_p95	0.12671	0.63	moyen	Spectre différent	Domain shift	p95 RMS distance to dataset mean spectrumalert = RMS_p95 / signal_scale, saturated at 25%
Comparaison à référence	`Spectral Angle Mapper (SAM)`reference.sam_to_mean_spectrum_p95	0.17674	0.50	moyen	Forme différente	Fond, géométrie	p95 spectral angle to dataset mean spectrumalert = min(1, SAM_p95 / 0.35 rad)
Répétabilité	`RMS intra-ID`repeatability.rms_intra_id	0.003933	0.05	faible	Stable	Positionnement	median RMS distance to repeated-sample centroidalert = RMS_intra_ID / signal_scale, saturated at 10%
Répétabilité	`SAM intra-ID`repeatability.sam_intra_id	0.0048276	0.03	faible	Stable	Acquisition	median SAM to repeated-sample centroidalert = min(1, SAM_intra_ID / 0.15 rad)
Répétabilité	`CV intra-ID`repeatability.cv_intra_id	0.011189	0.04	faible	Stable	Opérateur	median within-ID band CValert = min(1, CV_intra_ID / 0.25)
Structure du dataset	`PCA score density`structure.pca_score_density	2.7503	0.79	fort	Sous-populations	Lots différents	1 / median kNN distance in PCA score spacealert follows density_cv/profile structure complexity, not raw density alone
Structure du dataset	`Local Outlier Factor (LOF)`structure.local_outlier_factor_p95	2.3609	0.68	moyen	Spectre isolé	Cas rares	p95 approximate LOF from PCA-score kNN distancesalert = min(1, max(0, LOF_p95 - 1) / 2)
Structure du dataset	`Isolation Forest score`structure.isolation_forest_score_p95	0.59468	0.79	fort	Spectre atypique	Diverses causes	p95 IsolationForest anomaly score on PCA scoresalert follows structure complexity; raw score is implementation-dependent

X-Y spectral correlation 11

Target	max \|r\|	axis @ max	mean \|r\|	\|r\| ≥ .5
sample_number	0.246	1,935	0.098	0.0%
young_needle_percent	0.0985	1,105	0.0576	0.0%
old_needle_percent	0.0985	1,105	0.0576	0.0%
tree_DBH_cm	0.395	585	0.116	0.0%
NS_crown_width_m	0.223	688	0.0656	0.0%
WE_crown_width_m	0.191	1,920	0.081	0.0%
tree_height_m	0.283	726	0.0793	0.0%
crown_length_m	0.13	767	0.0275	0.0%
LMA_value_g/m2	0.751	695	0.289	18.6%
leaf_water_content_percent	0.318	1,982	0.176	0.0%
chlorophyll__mg/m2	0.401	1,560	0.245	0.0%

Metric interpretation reference

Metric catalog 29

Famille	Métrique	Ce qu’elle détecte	Forte valeur =	Faible valeur =	Causes typiques	Calcul / score
Intégrité des données	`NaN ratio`	Données manquantes	Spectre corrompu	Spectre complet	Erreur acquisition/export	count(isnan(X)) / X.sizealert = min(1, nan_ratio / 0.05)
Intégrité des données	`Inf count`	Valeurs infinies	Corruption	Normal	Calculs invalides	count(isinf(X))alert = min(1, inf_count / 1)
Intégrité des données	`Zero ratio`	Colonnes ou cellules nulles	Spectre tronqué	Normal	Export, saturation	count(X == 0) / count(finite X)alert = min(1, zero_ratio / 0.05)
Amplitude globale	`Mean reflectance`	Niveau moyen	Trop clair / fond visible	Trop sombre	Fond, géométrie	mean(X finite)alert reuses baseline/shape drift because absolute reflectance ranges are technology-dependent
Amplitude globale	`Area under curve`	Intensité globale	Différence d'éclairement	Normal	Distance sonde	trapezoid(mean_spectrum, spectral_axis)alert reuses baseline/shape drift because area scale depends on axis and units
Amplitude globale	`Peak-to-peak (PTP)`	Dynamique	Variabilité forte	Spectre plat	Saturation	max(mean_spectrum) - min(mean_spectrum)alert increases when dynamic range is abnormally flat
Amplitude globale	`Variance`	Variabilité spectrale	Normal ou hétérogène	Spectre plat	Mauvais contact	var(X finite)alert increases when variance/dynamic range is abnormally flat
Bruit	`Noise RMS`	Bruit haute fréquence	Bruité	Stable	Lampe, détecteur	median MAD(second derivative) * 1.4826 / sqrt(6)alert = noise_rms / signal_scale, saturated at 5%
Bruit	`SNR`	Qualité signal	Bon signal	Mauvais signal	Acquisition	mean(abs(X)) / noise_rmsalert decreases with SNR dB; >=40 dB is treated as low alert
Bruit	`Bandwise SNR`	Bruit localisé	Zone fiable	Zone problématique	Détecteur	min(abs(mean_spectrum) / local second-derivative noise)alert decreases with worst-band SNR dB; >=35 dB is treated as low alert
Artefacts locaux	`Spike count`	Pics étroits	Artefacts	Spectre propre	Cosmic rays, splice	count robust outliers in second derivativealert follows spike_rate, saturated at 1%
Artefacts locaux	`Spike rate`	Densité de pics	Spectre suspect	Normal	Interpolation	spike_count / (n_samples * (n_features - 2))alert = min(1, spike_rate / 0.01)
Artefacts locaux	`Jump count`	Discontinuités	Raccord détecteur	Continu	Splice	count robust outliers in first derivativealert follows jump_rate, saturated at 1%
Artefacts locaux	`Jump rate`	Fréquence de sauts	Problème spectral	Normal	Calibration	jump_count / (n_samples * (n_features - 1))alert = min(1, jump_rate / 0.01)
Artefacts locaux	`Clip fraction`	Saturation	Clipping	Normal	Détecteur saturé	fraction of finite cells equal to repeated min/max extremaalert = min(1, clip_fraction / 0.01)
Forme spectrale	`Baseline slope`	Pente globale	Dérive	Stable	Éclairement	linear slope of mean_spectrum over normalized axisalert = abs(slope / signal_scale), saturated at 0.5
Forme spectrale	`Curvature RMS`	Courbure	Forme inhabituelle	Lisse	Fond, splice	median RMS(second derivative per spectrum)alert = curvature_rms / signal_scale, saturated at 1%
Forme spectrale	`D1 RMS`	Variabilité locale	Spectre structuré	Plat	Biologie ou artefact	median RMS(first derivative per spectrum)alert = d1_rms / signal_scale, saturated at 5%
Outliers multivariés	`PCA Q (SPE)`	Non expliqué par PCA	Spectre atypique	Conforme	Artefact, mélange	p95(Q/SPE residual) / median(Q/SPE residual)alert = min(1, pca_q_ratio / 8)
Outliers multivariés	`Hotelling T²`	Extrême dans PCA	Extrême mais cohérent	Central	Variabilité naturelle	p95(Hotelling T2) / median(Hotelling T2)alert = min(1, hotelling_t2_ratio / 8)
Outliers multivariés	`Mahalanobis H`	Distance au nuage	Outlier global	Population normale	Domaine différent	p95(sqrt(T2)) / median(sqrt(T2))alert = min(1, mahalanobis_h_ratio / 4)
Comparaison à référence	`RMS to mean spectrum`	Distance moyenne	Spectre différent	Typique	Domain shift	p95 RMS distance to dataset mean spectrumalert = RMS_p95 / signal_scale, saturated at 25%
Comparaison à référence	`Spectral Angle Mapper (SAM)`	Différence de forme	Forme différente	Similaire	Fond, géométrie	p95 spectral angle to dataset mean spectrumalert = min(1, SAM_p95 / 0.35 rad)
Répétabilité	`RMS intra-ID`	Reproductibilité	Mauvaise répétabilité	Stable	Positionnement	median RMS distance to repeated-sample centroidalert = RMS_intra_ID / signal_scale, saturated at 10%
Répétabilité	`SAM intra-ID`	Variation de forme	Instable	Stable	Acquisition	median SAM to repeated-sample centroidalert = min(1, SAM_intra_ID / 0.15 rad)
Répétabilité	`CV intra-ID`	Variabilité interne	Mauvais contrôle	Stable	Opérateur	median within-ID band CValert = min(1, CV_intra_ID / 0.25)
Structure du dataset	`PCA score density`	Clusters	Sous-populations	Homogène	Lots différents	1 / median kNN distance in PCA score spacealert follows density_cv/profile structure complexity, not raw density alone
Structure du dataset	`Local Outlier Factor (LOF)`	Anomalie locale	Spectre isolé	Population normale	Cas rares	p95 approximate LOF from PCA-score kNN distancesalert = min(1, max(0, LOF_p95 - 1) / 2)
Structure du dataset	`Isolation Forest score`	Anomalie globale	Spectre atypique	Normal	Diverses causes	p95 IsolationForest anomaly score on PCA scoresalert follows structure complexity; raw score is implementation-dependent

Technology-specific extensions

Technologie	Adaptations / métriques	Anomalies ciblées	Commentaire pratique
UV-Vis 300-1000 nm	Baseline, pente globale, dérive aux bords 300-350 et 900-1000; métriques par zones	Lumière parasite, mauvais blanc, saturation, faible signal aux extrémités	Les bords sont souvent instables; calculer aussi des scores edge/middle.
UV-Vis 300-1000 nm	Saturation / clipping proche absorbance max ou réflectance max	Signal écrêté	Très important si absorption forte.
UV-Vis 300-1000 nm	Red-edge, position de maximum, ratios de bandes si végétal	Décalage biologique ou artefact optique	Aide à distinguer changement réel et problème d'acquisition.
UV-Vis 300-1000 nm	Smoothness / roughness index	Bruit haute fréquence	Souvent plus informatif que le SNR seul.
MIR / ATR-FTIR	ATR contact quality index: intensité globale, aire totale, profondeur des bandes clés	Mauvais contact cristal-échantillon	Crucial: beaucoup d'anomalies viennent du contact ATR.
MIR / ATR-FTIR	CO2 / H2O atmospheric bands	Mauvaise correction atmosphérique	Pics parasites fréquents.
MIR / ATR-FTIR	Baseline curvature / rubber-band residual	Diffusion, contact, dérive baseline	Très utile avant PCA.
MIR / ATR-FTIR	Peak position shift	Mauvais alignement spectral / calibration	Important en FTIR car de petits shifts comptent.
MIR / ATR-FTIR	Band area ratios sur bandes connues	Spectre chimiquement incohérent	À adapter par matrice: polysaccharides, protéines, lipides, etc.
HS-MS	Total Ion Current (TIC), Base Peak Intensity (BPI)	Injection faible, ionisation instable	Équivalent MS du niveau global spectral.
HS-MS	Nombre de pics détectés	Spectre pauvre ou trop bruité	Trop peu = mauvais signal; trop = bruit/contamination.
HS-MS	Mass accuracy / m/z drift	Problème calibration masse	Fondamental en HRMS.
HS-MS	Retention time drift si LC/GC-MS	Dérive chromatographique	À suivre sur standards/QC pools.
HS-MS	Blank contamination score	Contaminants / carry-over	Comparer échantillons vs blancs.
HS-MS	Internal standard CV	Variabilité instrumentale	Très robuste si standards disponibles.
HS-MS	Missingness par feature	Instabilité de détection	Crucial pour filtrer les variables.
Avec répétitions	RMS intra-échantillon	Répétabilité globale	Applicable à toutes les technologies.
Avec répétitions	SAM / corrélation intra-échantillon	Répétabilité de forme	Très utile pour spectres.
Avec répétitions	CV intra-échantillon par bande / feature	Répétabilité locale	Détecte les zones instables.
Avec répétitions	ICC ou variance components	Part variance échantillon vs technique	Très utile si plusieurs répétitions par sample.
Avec répétitions	Distance au centroïde intra-ID	Répétition aberrante	Permet de flagger la mauvaise répétition plutôt que le sample entier.

Bug-hunting / supervised audits

Famille de bug potentiel	Méthodes à ajouter	Ce que ça détecte	État dans l’explorateur
Shift spectral global	Corrélation spectre moyen inter-dataset, DTW, cross-correlation, comparaison positions de pics	Décalage en longueur d'onde, mauvais alignement, interpolation différente	Partiellement calculé: cross-correlation lag et dispersion des positions de pics vs spectre moyen.
Baseline / offset / gain	Régression chaque spectre vs spectre moyen: x = a + b ref + residual; suivi de a, b, RMS résiduel	Offset additif, effet multiplicatif, dérive de baseline	Calculé dans reference.affine_*.
Mélange de lignes / mauvais appariement X-M-Y	Vérification index, hash des lignes, duplication ID, distance spectrale intra-ID, labels incohérents	Lignes mélangées, metadata mal alignées, Y attribué au mauvais spectre	Partiellement couvert par répétabilité intra-ID; checks index/hash à ajouter au pipeline canonical.
Fuite d'information / répétitions mal splitées	GroupKFold par sample_id vs StratifiedKFold random; audit des partitions par sample_id	Performance artificiellement bonne due aux répétitions	Nécessite splits et benchmark modèle; non calculé par la carte descriptive.
Label bugs	Échantillons proches en X mais Y différents, confident learning, erreurs systématiques FP/FN	Y inversés, erreurs de saisie, classes ambiguës	Nécessite Y et/ou modèle; recommandé pour l'explorateur supervisé.
Sous-domaines cachés	PCA/UMAP/t-SNE + clustering non supervisé + association avec dataset/Y/date/operator	Lots, campagnes, sondes, backgrounds non renseignés	Partiellement calculé par structure PCA/LOF; UMAP/t-SNE hors carte statique.
Artefacts localisés inconnus	Carte wavelength x dataset: différence moyenne, différence variance, KS par longueur d'onde	Régions spectrales anormales non anticipées	À calculer au niveau banque quand plusieurs datasets partagent un axe spectral.
Ruptures instrumentales	Discontinuités dans dérivées, changepoint detection	Splice, raccord détecteur, saut local non prévu	Calculé par jump/spike rates; changepoint plus avancé à ajouter.
Mélange / contamination spectrale	NMF / unmixing / reconstruction par convex hull	Composante externe: fond, plastique, sol	Non calculé automatiquement; nécessite hypothèses de composants ou grande bibliothèque.
Features instables mais prédictives	Importance modèle vs instabilité QC par variable	Modèle qui apprend un artefact plutôt qu'un signal biologique	Nécessite modèle supervisé; recommandé pour rapports de benchmark.

Variables

Targets 16

sample_number

target · numeric

n / missing	83 / 0
Mean ± SD	42 ± 24.1
Median	42
Range	1 – 83
CV	0.574
Skew / kurtosis	0 / -1.2
Normal?	no

family

target · categorical

n / missing	83 / 3
Classes	14
Balance (entropy)	0.77
Imbalance ratio	31
Top class	Pinaceae (31)

genus

target · categorical

n / missing	83 / 5
Classes	15
Balance (entropy)	0.87
Imbalance ratio	17
Top class	Pinus (17)

species

target · categorical

n / missing	83 / 14
Classes	23
Balance (entropy)	0.94
Imbalance ratio	9
Top class	decurrens (9)

plant_functional_type

target · categorical

n / missing	83 / 0
Classes	7
Balance (entropy)	0.52
Imbalance ratio	50
Top class	Tree (50)

part_of_plant

target · categorical

n / missing	83 / 0
Classes	3
Balance (entropy)	0.12
Imbalance ratio	81
Top class	Leaf (81)

young_needle_percent

target · numeric

n / missing	83 / 46
Mean ± SD	25 ± 19.9
Median	20
Range	0 – 80
CV	0.794
Skew / kurtosis	1.7 / 2.6
Normal?	no

old_needle_percent

target · numeric

n / missing	83 / 46
Mean ± SD	75 ± 19.9
Median	80
Range	20 – 100
CV	0.265
Skew / kurtosis	-1.7 / 2.6
Normal?	no

tree_DBH_cm

target · numeric

n / missing	83 / 33
Mean ± SD	89.98 ± 38.1
Median	93.3
Range	21.4 – 158.5
CV	0.424
Skew / kurtosis	0.088 / -0.87
Normal?	yes

NS_crown_width_m

target · numeric

n / missing	83 / 39
Mean ± SD	11.59 ± 3.05
Median	11.05
Range	6.75 – 19.9
CV	0.263
Skew / kurtosis	0.66 / 0.089
Normal?	yes

WE_crown_width_m

target · numeric

n / missing	83 / 33
Mean ± SD	11.25 ± 2.86
Median	10.9
Range	7.3 – 19.4
CV	0.254
Skew / kurtosis	0.76 / 0.3
Normal?	yes

tree_height_m

target · numeric

n / missing	83 / 33
Mean ± SD	11.85 ± 3.67
Median	11.91
Range	4.5 – 19.97
CV	0.31
Skew / kurtosis	0.13 / -0.56
Normal?	yes

crown_length_m

target · numeric

n / missing	83 / 33
Mean ± SD	9.299 ± 2.72
Median	8.58
Range	3.875 – 16.5
CV	0.292
Skew / kurtosis	0.67 / 0.005
Normal?	yes

LMA_value_g/m2

target · numeric

n / missing	83 / 2
Mean ± SD	227.4 ± 142
Median	221.7
Range	37.36 – 606.8
CV	0.626
Skew / kurtosis	0.57 / -0.6
Normal?	no

leaf_water_content_percent

target · numeric

n / missing	83 / 2
Mean ± SD	56.52 ± 9.38
Median	54.64
Range	40.16 – 87.92
CV	0.166
Skew / kurtosis	0.76 / 0.43
Normal?	no

chlorophyll__mg/m2

target · numeric

n / missing	83 / 2
Mean ± SD	403 ± 116
Median	406
Range	95 – 835
CV	0.287
Skew / kurtosis	0.091 / 2.3
Normal?	no

Constant metadata 18

ecosis_resource_id132d4f67-b37d-4211-b685-5adea4527c75
locationSierra Nevada of California
coordinate_precision_notessource-provided coordinates when available
year2,023
plant_partLeaf
canopy_or_leafleaf
instrumentAnalytical Spectral Devices FieldSpec 3
acquisition_modeContact
signal_typereflectance
axis_unitnm
axis_min350
axis_max2,500
n_points_original2,151
citationCecilia Vanden Heuvel, Natalie Queally, Ting Zheng, Laura Berman, Zach Breuer, Joel Cryer, Callan Lapinskas, Annabelle Majerus, Elliott Marsh and Philip Townsend. 2023. Oven Dried Leaf Spectra and Measured Traits from the Sierra Nevada (CA) in July 2023. Data set. Available on-line [http://ecosis.org] from the Ecological Spectral Information System (EcoSIS)
licenseOpen Data Commons Open Database License (ODbL)
rights_statusexplicit_open
usage_scopepublic_reuse_possible
notesEcoSIS package oven-dried-leaf-spectra-and-measured-traits-from-the-sierra-nevada--ca--in-july-2023, no interpolation applied by project.

6 variable(s) omitted (no recorded values).

Alignment

Alignment level	observation
Sample id available	yes
Samples	83
Observations (total)	498
Reps per sample	min 6 · mean 6 · max 6

Provenance & citation

Contributor	Oven Dried Leaf Spectra and Measured Traits from the Sierra Nevada (CA) in July 2023
Origin · url [open]	https://data.ecosis.org/dataset/oven-dried-leaf-spectra-and-measured-traits-from-the-sierra-nevada--ca--in-july-2023
Origin · script [manual]	source_to_standard.py — standardization script (maintainer-only)

Governance & integrity

Tier	public
License	ODbL-1.0
Permitted use	Research and benchmarking.
Access policy	Open per source license.
Redistribution	EcoSIS CKAN metadata exposes an open license.
Content version	1.0.0
Schema / protocol	2.0
Content hash	`a35b9b0fed5ea4f0…`
Processing hash	`248cecc9b0b929eb…`
Metadata hash	`ad43ced16482969a…`

Load this dataset

# pip install nirs4all-datasets
from nirs4all_datasets import get

ds = get("ecosis_oven_dried_leaf_spectra_and_measured_traits_from_the_si_reflectance_nirs")            # DOI-pinned, checksum-verified, cached
X, y = ds.x(), ds.y()
print(X.shape, y.shape)

card.json croissant.jsonIdentity metadata only — the dataset bytes live at the origin / DOI.