MODELING THE IMPACT OF SURFACE CHARACTERISTICS ON THE NEAR SURFACE TEMPERATURE LAPSE RATE
Notice bibliographique
Résumé
Abstract. Modeling of Near-Surface Temperature Lapse Rate (NSTLR) is very important in various environmental applications. The Land Surface Temperature (LST) is influenced by many properties and conditions including surface biophysical and topographic characteristics. Some researches have considered the LST - Digital Elevation Model (DEM) feature space to model NSTLR. However, the influence of detailed surface characteristics is rare. This study investigated the impact of surface characteristics on the LST-DEM feature space for NSTLR modeling. A set of remote sensing data including Landsat 8 images, MODIS products, and surface features including DEM and land use of the Balikhli-Chay on 01/07/2018, 18/08/2018 and 03/09/2018 were collected and used in this study. First, Split Window (SW) algorithm was used to estimate LST, and spectral indices were employed to model surface biophysical characteristics. Owing to the impact of surface biophysical and topographic characteristics on the LST-DEM feature space, the NSTLR was calculated for different classes of surface biophysical characteristics, land use, and solar local incident angle. The modeled NSTLR values based on the LST-DEM feature space on 01/07/2018, 18/08/2018 and 03/09/2018 were 8.5, 1.5 and 2.4 °C Km−1; respectively. The NSTLR in different classes of surface biophysical characteristics, land use type and topographical parameters were variable between 0.5 to 14 °C Km−1. This clearly showed the dependence of NSTLR on topographic and biophysical conditions. This provides a new way of calculating surface characteristic specific NSTLR.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».