Estimation of Vegetation Latent Heat Flux over Three Forest Sites in ChinaFLUX using Satellite Microwave Vegetation Water Content Index
Notice bibliographique
Résumé
Latent heat flux (LE) and the corresponding water vapor lost from the Earth’s surface to the atmosphere, which is called Evapotranspiration (ET), is one of the key processes in the water cycle and energy balance of the global climate system. Satellite remote sensing is the only feasible technique to estimate LE over a large-scale region. While most of the previous satellite LE methods are based on the optical vegetation index (VI), here we propose a microwave-VI (EDVI) based LE algorithm which can work for both day and night time, and under clear or non-raining conditions. This algorithm is totally driven by multiple-sensor satellite products of vegetation water content index, solar radiation, and cloud properties, with some aid from a reanalysis dataset. The satellite inputs and the performance of this algorithm are validated with in situ measurements at three ChinaFLUX forest sites. Our results show that the selected satellite observations can indeed serve as the inputs for the purpose of estimating ET. The instantaneous estimations of LE (LEcal) from this algorithm show strong positive temporal correlations with the in situ measured LE (LEobs) with the correlation coefficients (R) of 0.56–0.88 in the study years. The mean bias is kept within 16.0% (23.0 W/m2) across the three sites. At the monthly scale, the correlations between the retrieval and the in situ measurements are further improved to an R of 0.84–0.95 and the bias is less than 14.3%. The validation results also indicate that EDVI-based LE method can produce stable LEcal under different cloudy skies with good accuracy. Being independent of any in situ measurements as inputs, this algorithm shows great potential for estimating ET under both clear and cloudy skies on a global scale for climate study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».