Retrospective retrieval of long‐term consistent global leaf area index (1981–2011) from combined AVHRR and MODIS data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we present an approach for generating a consistent long‐term global leaf area index (LAI) product (1981–2011) by quantitative fusion of Moderate Resolution Imaging Spectroradiometer (MODIS) and historical Advanced Very High Resolution Radiometer (AVHRR) data. First, a MODIS LAI series was generated from MODIS data based on the GLOBCARBON LAI algorithm. Then, the relationships between AVHRR observations and MODIS LAI were established pixel by pixel using two data series during overlapped period (2000–2006). Then the AVHRR LAI back to 1981 was estimated from historical AVHRR observations based on these pixel‐level relationships. The long‐term LAI series was made up by combination of AVHRR LAI (1981–2000) and MODIS LAI (2000–2011). The LAI derived from AVHRR was intercompared with that from MODIS during the overlapped period. The results show that the LAIs from these two different sensors are good consistency, with LAI differences are within ±0.6 over 99.0% vegetated pixels. The long‐term LAI was also compared with field measurements, which has an error of 0.81 LAI on average. Compared with the LAI retrieved directly from the GLOBCARBON algorithm, the LAI derived by our method has a lower temporal noise, which means uncertainties from the low quality of AVHRR measurements can be reduced with the aid of high‐quality MODIS data. This product is hosted on the GlobalMapping Web site ( http://www.globalmapping.org/globalLAI ) for free download, which will provide a long‐term LAI over 30 years for modeling the carbon and water cycles.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle