Land surface phenologies and seasonalities using cool earthlight in mid-latitude croplands
Notice bibliographique
Résumé
Phenology deals with timing of biotic phenomena and seasonality concerns temporal patterns of abiotic variables. Studies of land surface phenology (LSP) and land surface seasonality (LSS) have long been limited to visible to near infrared (VNIR) wavelengths, despite degradation by atmospheric effects and solar illumination constraints. Enhanced land surface parameters derived from passive microwave data enable improved temporal monitoring of agricultural land surface dynamics compared to the vegetation index data available from VNIR data. LSPs and LSSs in grain growing regions of the Volga River Basin of Russia and the spring wheat belts of the USA and Canada were characterized using AMSR-E enhanced land surface parameters for the period from April through October for 2003 through 2010. Growing degree-days (GDDs) were calculated from AMSR-E air temperature retrievals using both ascending and descending passes with a base of 0 ° C and then accumulated (AGDD) with an annual restart each 1 April. Tracking the AMSR-E parameters as a function of AGDD revealed the expected seasonal pattern of thermal limitation in mid-latitude croplands. Vegetation optical depth (VOD), a microwave analog of a vegetation index, was modeled as a function of AGDD with the resulting fitted convex quadratic models yielding both high coefficients of determination (r2 > 0.90) and phenometrics that could characterize cropland differences between the Russian and North American sites. The AMSR-E data were also able to capture the effects of the 2010 heat wave that devastated grain production in European Russia. These results showed the potential of AMSR-E in monitoring and modeling cropland dynamics.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 tête enseignante, 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 ».