A data-model fusion approach for upscaling gross ecosystem productivity to the landscape scale based on remote sensing and flux footprint modelling
Notice bibliographique
Résumé
Abstract. In order to use the global available eddy-covariance (EC) flux dataset and remote-sensing measurements to provide estimates of gross primary productivity (GPP) at landscape (101–102 km2), regional (103–106 km2) and global land surface scales, we developed a satellite-based GPP algorithm using LANDSAT data and an upscaling framework. The satellite-based GPP algorithm uses two improved vegetation indices (Enhanced Vegetation Index – EVI, Land Surface Water Index – LSWI). The upscalling framework involves flux footprint climatology modelling and data-model fusion. This approach was first applied to an evergreen coniferous stand in the subtropical monsoon climatic zone of south China. The EC measurements at Qian Yan Zhou tower site (26°44´48" N, 115°04´13" E), which belongs to the China flux network and the LANDSAT and MODIS imagery data for this region in 2004 were used in this study. A consecutive series of LANDSAT-like images of the surface reflectance at an 8-day interval were predicted by blending the LANDSAT and MODIS images using an existing algorithm (ESTARFM: Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model). The seasonal dynamics of GPP were then predicted by the satellite-based algorithm. MODIS products explained 60% of observed variations of GPP and underestimated the measured annual GPP (= 1879 g C m−2) by 25–30%; while the satellite-based algorithm with default static parameters explained 88% of observed variations of GPP but overestimated GPP during the growing seasonal by about 20–25%. The optimization of the satellite-based algorithm using a data-model fusion technique with the assistance of EC flux tower footprint modelling reduced the biases in daily GPP estimations from about 2.24 g C m−2 day−1 (non-optimized, ~43.5% of mean measured daily value) to 1.18 g C m−2 day−1 (optimized, ~22.9% of mean measured daily value). The remotely sensed GPP using the optimized algorithm can explain 92% of the seasonal variations of EC observed GPP. These results demonstrated the potential combination of the satellite-based algorithm, flux footprint modelling and data-model fusion for improving the accuracy of landscape/regional GPP estimation, a key component for the study of the carbon cycle.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».