MétaCan
Menu
Retour à la cohorte

A Continuous Satellite-Derived Measure of Global Terrestrial Primary Production

2004· article· en· W2147423506 sur OpenAlexfundno aff
Steven W. Running, Ramakrishna Nemani, Faith Ann Heinsch, Maosheng Zhao, Matt C. Reeves, Hirofumi Hashimoto

Notice bibliographique

RevueBioScience · 2004
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensnon disponible
Organismes subventionnairesGoddard Space Flight CenterCommonwealth Scientific and Industrial Research OrganisationUniversity of MontanaMcMaster UniversityNational Aeronautics and Space Administration
Mots-clésPrimary productionBiosphereModerate-resolution imaging spectroradiometerEnvironmental scienceSatelliteVegetation (pathology)Anomaly (physics)Remote sensingSatellite imageryProduction (economics)ProductivityData setMeteorologyEnvironmental resource managementPhysical geographyGeographyComputer scienceEcosystemEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Until recently, continuous monitoring of global vegetation productivity has not been possible because of technological limitations. This article introduces a new satellite-driven monitor of the global biosphere that regularly computes daily gross primary production (GPP) and annual net primary production (NPP) at 1-kilometer (km) resolution over 109,782,756 km2 of vegetated land surface. We summarize the history of global NPP science, as well as the derivation of this calculation, and current data production activity. The first data on NPP from the EOS (Earth Observing System) MODIS (Moderate Resolution Imaging Spectroradiometer) sensor are presented with different types of validation. We offer examples of how this new type of data set can serve ecological science, land management, and environmental policy. To enhance the use of these data by nonspecialists, we are now producing monthly anomaly maps for GPP and annual NPP that compare the current value with an 18-year average value for each pixel, clearly identifying regions where vegetation growth is higher or lower than normal.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,203
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2 429
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioScienceMême sujetRemote Sensing in AgricultureTravaux en français237 207