Estimating Understory Temperatures Using MODIS LST in Mixed Cordilleran Forests
Notice bibliographique
Résumé
Satellite remote sensing provides a rapid and broad-scale means for monitoring vegetation phenology and its relationship with fluctuations in air temperature. Investigating the response of plant communities to climate change is needed to gain insight into the potentially detrimental effects on ecosystem processes. While many studies have used satellite-derived land surface temperature (LST) as a proxy for air temperature, few studies have attempted to create and validate models of forest understory temperature (Tust), as it is obscured from these space-borne observations. This study worked to predict instantaneous values of Tust using daily Moderate Resolution Imaging Spectroradiometer (MODIS) LST data over a 99,000 km2 study area located in the Rocky Mountains of western Alberta, Canada. Specifically, we aimed to identify the forest characteristics that improve estimates of Tust over using LST alone. Our top model predicted Tust to within a mean absolute error (MAE) of 1.4 °C with an overall model fit of R2 = 0.89 over two growing seasons. Canopy closure and the LiDAR-derived standard deviation of canopy height metric were found to significantly improve estimations of Tust over MODIS LST alone. These findings demonstrate that canopy structure and forest stand-type function to differentiate understory air temperatures from ambient canopy temperature as seen by the sensor overhead.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».