A modeling approach for upscaling gross ecosystem production to the landscape scale using remote sensing data
Notice bibliographique
Résumé
Gross ecosystem production (GEP) can be estimated at the global scale and in a spatially continuous mode using models driven by remote sensing. Multiple studies have demonstrated the capability of high resolution optical remote sensing to accurately measure GEP at the leaf and stand level, but upscaling this relationship using satellite data remains challenging. Canopy structure is one of the complicating factors as it not only alters the strength of a measured signal depending on integrated leaf‐angle‐distribution and sun‐observer geometry, but also drives the photosynthetic output and light‐use‐efficiency ( ɛ ) of individual leaves. This study introduces a new approach for upscaling multiangular canopy level reflectance measurements to satellite scales which takes account of canopy structure effects by using Light Detection and Ranging (LiDAR). A tower‐based spectro‐radiometer was used to observe canopy reflectances over an annual period under different look and solar angles. This information was then used to extract sunlit and shaded spectral end‐members corresponding to minimum and maximum values of canopy‐ ɛ over 8‐d intervals using a bidirectional reflectance distribution model. Using three‐dimensional information of the canopy structure obtained from LiDAR, the canopy light regime and leaf area was modeled over a 12 km 2 area and was combined with spectral end‐members to derive high resolution maps of GEP. Comparison with eddy covariance data collected at the site shows that the spectrally driven model is able to accurately predict GEP ( r 2 between 0.75 and 0.91, p < 0.05).
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».