MétaCan
Menu
Retour à la cohorte
Enregistrement W2804892054 · doi:10.1080/07055900.2018.1454295

Evaluation of the Influence of Aquatic Plants and Lake Bottom on the Remote-Sensing Reflectance of Optically Shallow Waters

2018· article· en· W2804892054 sur OpenAlexvenueno aff
Yuanzhi Zhang, Hongtao Duan, Hongyan Xi, Zhaojun Huang, Jin Yeu Tsou, Tingchen Jiang, X. San Liang

Notice bibliographique

RevueATMOSPHERE-OCEAN · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesPriority Academic Program Development of Jiangsu Higher Education Institutions
Mots-clésReflectivityEnvironmental scienceSecchi diskRemote sensingAquatic plantRadiative transferWaves and shallow waterAquatic ecosystemChlorophyll aAquatic environmentHydrology (agriculture)OceanographyGeologyEcologyMacrophyteNutrientChemistryBiologyOpticsPhysicsEutrophication

Résumé

récupéré en direct d'OpenAlex

Aquatic plants and lake bottoms in optically shallow waters (OSWs) wield great influence on reflectance spectra, resulting in the inapplicability of most existing bio-optical models for water colour remote sensing in lakes. Based on radiative transfer theory and measured spectra from a campaign for Lake Taihu in October 2008, absorption and backscattering coefficients were used to simulate the remote-sensing reflectance, which are considered to be reliable if matched to their measured counterparts. Several cases of measured spectra at different depths, Secchi disk depth transparency, and aquatic plant height and coverage were analyzed thoroughly for spectral properties. The contribution of aquatic plants was evaluated and compared with the measured and simulated remote-sensing reflectance values. This is helpful for removing the influence of aquatic plants and lake bottoms from the spectra and for constructing an improved chlorophyll a retrieval model for OSWs, such as that for Lake Taihu, China.

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)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,137
Score d'incertitude au seuil0,212

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,030
Tête enseignante GPT0,273
Écart entre enseignants0,243 · 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

Citations7
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueATMOSPHERE-OCEANMême sujetWater Quality Monitoring and AnalysisTravaux en français237 207