Modeling Biophysical Variables Across an Arctic Latitudinal Gradient using High Spatial Resolution Remote Sensing Data
Notice bibliographique
Résumé
Biophysical variables have both direct and indirect effects on the uptake and release of carbon dioxide (CO2) within tundra ecosystems. Arctic landscape shows high levels of spatial heterogeneity. High spatial-resolution remote sensing data has the ability to capture the fine-grain spectral response of various biophysical variables at the landscape scale. To accurately model CO2 flux patterns using remote sensing data we first need to model the relationships between biophysical variables and their spectral response. In this study we model percent vegetation cover (PVC), aboveground biomass (AGB), and soil moisture using high spatial-resolution (IKONOS 4 m) normalized difference vegetation index (NDVI) values. At two non-overlapping Arctic landscape sites statistically robust landscape-scale sampling procedures were used to characterize the biophysical variables. NDVI values were extracted from IKONOS data, and linear bivariate regression models were calibrated and validated using a k-fold cross-validation technique. PVC and percent soil moisture produced the strongest and most consistent results (r2≥ .84 and .73, respectively). Analysis of covariance tested the use of common models for each site. The models were not coincidental—combining data from various sites should be done with caution—but illustrated parallelism in that NDVI responds to each biophysical variable equally, regardless of site.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».