Modeling Gross Primary Production of a Typical Coastal Wetland in China Using MODIS Time Series and CO2 Eddy Flux Tower Data
Notice bibliographique
Résumé
How to effectively combine remote sensing data with the eddy covariance (EC) technique to accurately quantify gross primary production (GPP) in coastal wetlands has been a challenge and is also important and necessary for carbon (C) budgets assessment and climate change studies at larger scales. In this study, a satellite-based Vegetation Photosynthesis Model (VPM) combined with EC measurement and Moderate Resolution Imaging Spectroradiometer (MODIS) data was used to evaluate the phenological characteristics and the biophysical performance of MODIS-based vegetation indices (VIs) and the feasibility of the model for simulating GPP of coastal wetland ecosystems. The results showed that greenness-related and water-related VIs can better identify the green-up and the senescence phases of coastal wetland vegetation, corresponds well with the C uptake period and the phenological patterns that were delineated by GPP from EC tower (GPPEC). Temperature can explain most of the seasonal variation in VIs and GPPEC fluxes. Both enhanced vegetation index (EVI) and water-sensitive land surface water index (LSWI) have a higher predictive power for simulating GPP in this coastal wetland. The comparisons between modeled GPP (GPPVPM) and GPPEC indicated that VPM model can commendably simulate the trajectories of the seasonal dynamics of GPPEC fluxes in terms of patterns and magnitudes, explaining about 85% of GPPEC changes over the study years (p < 0.0001). The results also demonstrate the potential of satellite-driven VPM model for modeling C uptake at large spatial and temporal scales in coastal wetlands, which can provide valuable production data for the assessment of global wetland C sink/source.
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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».