Modeling gross primary production of deciduous forest using remotely sensed radiation and ecosystem variables
Notice bibliographique
Résumé
We explored the potential application of two remotely sensed (RS) variables, the Global Vegetation Moisture Index (GVMI) and the near‐infrared albedo (AlbedoNIR), in modeling the gross primary production (GPP) of three deciduous forests. For the Harvard Forest (deciduous) of Massachusetts, it was found that GPP is strongly correlated with GVMI (coefficient of determination, R2 = 0.60) during the growing season, and with AlbedoNIR (R2 = 0.82) throughout the year. Subsequently, a statistical model called the Remotely Sensed GPP (R‐GPP) model was developed to estimate GPP using remotely sensed radiation (land surface temperature (LST), AlbedoNIR) and ecosystem variables (enhanced vegetation index (EVI) and GVMI). The R‐GPP model, calibrated and validated against the GPP estimates derived from the eddy covariance flux tower of the Harvard Forest, could explain 95% and 92% of the observed GPP variability for the study site during the calibration (2000–2003) and the validation (2004–2005) periods, respectively. It outperformed the primary RS‐based GPP algorithm of Moderate Resolution Imaging Spectroradiometer (MODIS), which explained 80% and 77% of the GPP variability during 2000–2003 and 2004–2005, respectively. The calibrated R‐GPP model also explained 93% and 94% of the observed GPP variation for two other independent validation sites, the Morgan Monroe State Forest and the University of Michigan Biological Station, respectively, which demonstrates its transferability to other deciduous ecoregions of northeastern United States.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».