An Adaptive Model to Monitor Chlorophyll-a in Inland Waters in Southern Quebec Using Downscaled MODIS Imagery
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
The purpose of this study is to assess the performance of an adaptive model (AM) in estimating chlorophyll‑a concentration (Chl‑a) in optically complex inland waters. Chl‑a modeling using remote sensing data is usually based on a single model that generally follows an exponential function. The estimates produced by such models are relatively accurate at high Chl‑a concentrations, but accuracy drops at low concentrations. Our objective was to develop an approach combining spectral response classification and three semi-empirical algorithms. The AM discriminates between three blooming classes (waters poorly, moderately, and highly loaded in Chl‑a), with discrimination thresholds set using the classification and regression tree (CART) technique. The calibration of three specific estimators for each class was achieved using a multivariate stepwise regression. Compared to published models (Floating Algae Index, Kahru model, and APProach by ELimination) using the same data set, the AM provided better Chl‑a concentration estimates (R2 of 0.96, relative RMSE of 23%, relative Bias of −2%, and a relative NASH criterion of 0.9). Moreover, the AM achieved an overall success rate of 67% in the estimation of blooming classes (corresponding to low, moderate, and high Chl‑a concentration classes). This was done using an independent data set collected from 22 inland water bodies for the period 2007–2010 and for which the only information available was the blooming class.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle