The Potential of Satellite Remote Sensing Time Series to Uncover Wetland Phenology under Unique Challenges of Tidal Setting
Notice bibliographique
Résumé
While growth history of vegetation within upland systems is well studied, plant phenology within coastal tidal systems is less understood. Landscape-scale, satellite-derived indicators of plant greenness may not adequately represent seasonality of vegetation biomass and productivity within tidal wetlands due to limitations of cloud cover, satellite temporal frequency, and attenuation of plant signals by tidal flooding. However, understanding plant phenology is necessary to gain insight into aboveground biomass, photosynthetic activity, and carbon sequestration. In this study, we use a modeling approach to estimate plant greenness throughout a year in tidal wetlands located within the San Francisco Bay Area, USA. We used variables such as EVI history, temperature, and elevation to predict plant greenness on a 14-day timestep. We found this approach accurately estimated plant greenness, with larger error observed within more dynamic restored wetlands, particularly at early post-restoration stages. We also found modeled EVI can be used as an input variable into greenhouse gas models, allowing for an estimate of carbon sequestration and gross primary production. Our strategy can be further developed in future research by assessing restoration and management effects on wetland phenological dynamics and through incorporating the entire Sentinel-2 time series once it becomes available within Google Earth Engine.
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 | 0,001 | 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 ».