Spatial Estimation of the Latent Heat Flux in a Tropical Dry Forest by Using Unmanned Aerial Vehicles
Notice bibliographique
Résumé
In this paper, we address the retrieval of spatially distributed latent heat flux ( λ E) over a tropical dry forest using multi-spectral and thermal unmanned aerial vehicle (UAV) imagery. The study was carried out in the Santa Rosa National Park Environmental Monitoring Super-Site, Costa Rica, in June 2016. The triangle method was used to derive λ E from the UAV imagery and the results were compared to λ E measurements of an eddy covariance system within the coincident eddy flux tower footprint. The tower footprint was derived using a two-dimensional parameterization model for flux footprint prediction. The comparisons with the flux tower measurements showed a mean relative difference of 10.98% with a slight overestimation of the UAV-based flux retrievals by nearly 7.7 Wm − 2 . The results are in good agreement with satellite-based retrievals, as provided by the literature, for which the triangle method was initially developed and mostly used so far. This study proved to be a promising approach for transferring the triangle method to UAV imagery in ecosystems such as tropical dry forests. With the presented approach, new details in spatially distributed latent heat flux estimates at ultra-high resolution are now possible, thereby potentially closing the gap in spatial resolution between satellites and flux towers. Even more, it allows tracing the latent heat flux from single trees at leaf level. Besides, this approach also opens new perspectives for the monitoring of latent heat fluxes in tropical dry forests.
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 | 0,000 |
| 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 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 ».