On the use of MODIS EVI to assess gross primary productivity of North American ecosystems
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
Carbon flux models based on light use efficiency (LUE), such as the MOD17 algorithm, have proved difficult to parameterize because of uncertainties in the LUE term, which is usually estimated from meteorological variables available only at large spatial scales. In search of simpler models based entirely on remote‐sensing data, we examined direct relationships between the enhanced vegetation index (EVI) and gross primary productivity (GPP) measured at nine eddy covariance flux tower sites across North America. When data from the winter period of inactive photosynthesis were excluded, the overall relationship between EVI and tower GPP was better than that between MOD17 GPP and tower GPP. However, the EVI/GPP relationships vary between sites. Correlations between EVI and GPP were generally greater for deciduous than for evergreen sites. However, this correlation declined substantially only for sites with the smallest seasonal variation in EVI, suggesting that this relationship can be used for all but the most evergreen sites. Within sites dominated by either evergreen or deciduous species, seasonal variation in EVI was best explained by the severity of summer drought. Our results demonstrate that EVI alone can provide estimates of GPP that are as good as, if not better than, current versions of the MOD17 algorithm for many sites during the active period of photosynthesis. Preliminary data suggest that inclusion of other remote‐sensing products in addition to EVI, such as the MODIS land surface temperature (LST), may result in more robust models of carbon balance based entirely on remote‐sensing data.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle