MétaCan
Menu
Retour à la cohorte
Enregistrement W2288535089 · doi:10.1002/2016jg003322

Retrieval of seasonal dynamics of forest understory reflectance from semiarid to boreal forests using MODIS BRDF data

2016· article· en· W2288535089 sur OpenAlexaff
Jan Písek, Jing M. Chen, Hideki Kobayashi, Miina Rautiainen, Michael E. Schaepman, Arnon Karnieli, Michael Sprinstin, Youngryel Ryu, Maris Nikopensius, Kairi Raabe

Notice bibliographique

RevueJournal of Geophysical Research Biogeosciences · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensUniversity of Toronto
Organismes subventionnairesJapan Agency for Marine-Earth Science and TechnologyAcademy of FinlandEesti Teadusfondi
Mots-clésUnderstoryBidirectional reflectance distribution functionNormalized Difference Vegetation IndexEnvironmental scienceRemote sensingModerate-resolution imaging spectroradiometerTaigaAlbedo (alchemy)BorealVegetation (pathology)Leaf area indexReflectivitySatelliteGeographyEcologyCanopyForestryBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Spatial and temporal patterns of forest background (understory) reflectance are crucial for retrieving biophysical parameters of forest canopies (overstory) and subsequently for ecosystem modeling. In this communication, we retrieved seasonal courses of understory normalized difference vegetation index (NDVI) from multiangular Moderate Resolution Imaging Spectroradiometer bidirectional reflectance distribution function (MODIS BRDF)/albedo data. We compared satellite‐based seasonal courses of understory NDVI to understory NDVI values measured in different types of forests distributed along a wide latitudinal gradient (65.12°N–31.35°N). Our results indicated that the retrieval method performs well particularly over open forests of different types. We also demonstrated the limitations of the method for closed canopies, where the understory signal retrieval is much attenuated.

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)0,000
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 enseignants0,021
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,073
Tête enseignante GPT0,353
Écart entre enseignants0,279 · 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

Citations27
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research BiogeosciencesMême sujetRemote Sensing in AgricultureTravaux en français237 207