MétaCan
Menu
← Retour à la cohorte
Enregistrement W2188105397

Deforestation effects on local temperature change inferred from MODIS satellite observations

2011· article· en· W2188105397 sur OpenAlexaff
Adam Jones, Álvaro Montenegro, Hugo Beltrami, Qiaozhen Mu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensSt. Francis Xavier University
Organismes subventionnairesnon disponible
Mots-clésDeforestation (computer science)EvergreenDeciduousEnvironmental scienceAlbedo (alchemy)Climate changeClimatologyEvapotranspirationAtmospheric sciencesGlobal warmingLand coverLand useEcologyGeologyBiology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Changes to land surface cover affect climate by modifying the local energy balance and by altering atmospheric CO2 concentrations. We analyze high-resolution (0.05 x0.05 ) satellite derived global land cover and temperature observations to determine the local temperature change associated with deforestation by considering two year temperature averages for pre and post deforestation. The temperature response to deforestation shows large spatial heterogeneity with some latitudinal trends. Deforestation between 20 and 50 South is associated with localized cooling of 0.1 to 0.2 K, while deforested areas between 20 and 50 North show warming of 0.15 to 0.25 K and equatorial regions between 20 S and 20 N also show cooling of approximately 0.22 K. The change in temperature after deforestation was also examined for 5 distinct IGBP forest types: Evergreen Needleleaf, Evergreen Broadleaf, Deciduous Needleleaf, Deciduous Broadleaf and Mixed Forest. There does not however appear to be any consistent forest type dependent temperature response to deforestation. We plan to use satellite derived albedo and evapotranspiration to gain further insight into the temperature response due to deforestation.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,044
Tête enseignante GPT0,205
Écart entre enseignants0,161 · 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'étudeObservationnel
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

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRemote Sensing in Agriculture→Travaux en français237 207→