An open-source method of constructing cloud-free composites of forest understory temperature using MODIS
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
Surface air temperature (Tair) is a critical driver of ecosystem processes and phenological dynamics, and can be estimated in near-real time with satellite remote sensing. However, persistent cloud cover often creates large spatial and temporal gaps in our observation records. Previous studies have successfully mapped Tair; however, the challenges of mapping forest understory temperatures (Tust) are relatively unexplored. This study describes a methodology for constructing cloud-free composites of Tust at 250 m spatial resolution. We used generalized linear models to correlate daily average Tust with ground-surveyed forest structural characteristics and land surface temperature (LST) obtained from the Moderate Resolution Imaging Spectroradiometer (MODIS). Models were applied to all four daily MODIS overpasses and combined in to a single image to maximize cloud-free spatial coverage. Pixel temperatures within the remaining cloud gaps were estimated using a temporal averaging algorithm that incorporated a novel approach for factoring the relative cloudiness between days. Models predicted Tust to within 1.5°C (R2 ~ 0.87), with an overall final map accuracy having a mean absolute error of 2.2°C. Maps were produced for two growing seasons using in situ observation data from forested sites throughout the Rocky Mountains of Alberta, Canada. By avoiding complex physical models, our procedure is computationally efficient and capable of processing large volumes of data using open-source programming languages and desktop computers.
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 | 0,000 | 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 découle