Remote sensing of annual terrestrial gross primary productivity from MODIS: an assessment using the FLUXNET La Thuile data set
Notice bibliographique
Résumé
Abstract. Gross primary productivity (GPP) is the largest and most variable component of the global terrestrial carbon cycle. Repeatable and accurate monitoring of terrestrial GPP is therefore critical for quantifying dynamics in regional-to-global carbon budgets. Remote sensing provides high frequency observations of terrestrial ecosystems and is widely used to monitor and model spatiotemporal variability in ecosystem properties and processes that affect terrestrial GPP. We used data from the Moderate Resolution Imaging Spectroradiometer (MODIS) and FLUXNET to assess how well four metrics derived from remotely sensed vegetation indices (hereafter referred to as proxies) and six remote sensing-based models capture spatial and temporal variations in annual GPP. Specifically, we used the FLUXNET La Thuile data set, which includes several times more sites (144) and site years (422) than previous studies have used. Our results show that remotely sensed proxies and modeled GPP are able to capture significant spatial variation in mean annual GPP in every biome except croplands, but that the percentage of explained variance differed substantially across biomes (10–80%). The ability of remotely sensed proxies and models to explain interannual variability in GPP was even more limited. Remotely sensed proxies explained 40–60% of interannual variance in annual GPP in moisture-limited biomes, including grasslands and shrublands. However, none of the models or remotely sensed proxies explained statistically significant amounts of interannual variation in GPP in croplands, evergreen needleleaf forests, or deciduous broadleaf forests. Robust and repeatable characterization of spatiotemporal variability in carbon budgets is critically important and the carbon cycle science community is increasingly relying on remotely sensing data. Our analyses highlight the power of remote sensing-based models, but also provide bounds on the uncertainties associated with these models. Uncertainty in flux tower GPP, and difference between the footprints of MODIS pixels and flux tower measurements are acknowledged as unresolved challenges.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».