MétaCan
Menu
Retour à la cohorte
Enregistrement W2337454614

An update on the globcarbon initiative: Multi-sensor estimation of global biophysical products for global terrestrial carbon studies

2007· article· en· W2337454614 sur OpenAlexaff
Stephen Plummer, Olivier Arinò, Franck Ranera, Kevin Tansey, Jing Chen, Gérard Dedieu, Hugh Eva, Isidoro Piccolini, R. J. Leigh, Geert Borstlap, Bart Beusen, Freddy Fierens, Walter Heyns, Riccardo Benedetti, Roselyne Lacaze, Sébastien Garrigues, Tristan Quaife, Martin G. De Kauwe, S. Quegan, Michael Raupach, Peter Briggs, Benjamin Poulter, Alberte Bondeau, P. J. Rayner, Martin G. Schultz, Ian McCallum

Notice bibliographique

RevueUCL Discovery (University College London) · 2007
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésVegetation (pathology)Carbon cycleEarth observationEnvironmental scienceGlobal changeRemote sensingMeteorologyClimatologyComputer scienceClimate changeGeographySatelliteEcosystemEngineeringGeology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The ESA GLOBCARBON project aims to generate fully calibrated estimates of at-land products quasi-independent of the original Earth Observation source for use in Dynamic Global Vegetation Models, a central component of the IGBP-IHDP-WCRP Global Carbon Cycle Joint Project. The service features global estimates of: burned area, f<sub>APAR</sub>, LAI and vegetation growth cycle. The demonstrator focused on six complete years, from 1998 to 2003 when overlap exists between ESA Earth Observation sensors (ATSR-2, AATSR and MERIS) and the French SPOT VEGETATION sensor and was extended to process 10 years up to 2007. After analysis, by the beta user community, of the first products the implementation of the algorithms was revisited and a reprocessing initiated. This paper provides details of the GLOBCARBON project and its revised algorithms, describes the re-processed products and gives initial results of their validation.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,670
Score d'incertitude au seuil0,753

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,022
Tête enseignante GPT0,259
Écart entre enseignants0,237 · 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 tête enseignante, 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

Citations20
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUCL Discovery (University College London)Même sujetRemote Sensing in AgricultureTravaux en français237 207