GLOBMAP global Leaf Area Index since 1981
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
GLOBMAP LAI (Version 3) provides a consistent long-term global leaf area index (LAI) product (1981-2020, continuously updated) at 8km resolution on Geographic grid by quantitative fusion of Moderate Resolution Imaging Spectroradiometer (MODIS) and historical Advanced Very High Resolution Radiometer (AVHRR) data. The long-term LAI series was made up by combination of AVHRR LAI (1981–2000) and MODIS LAI (2001–). MODIS LAI series was generated from MODIS land surface reflectance data (MOD09A1 C6) based on the GLOBCARBON LAI algorithm (Deng et al., 2006). The relationships between AVHRR observations (GIMMS NDVI (Tucker et al., 2005)) and MODIS LAI were established pixel by pixel using two data series during overlapped period (2000–2006). Then the AVHRR LAI back to 1981 was estimated from historical AVHRR observations based on these pixel-level relationships. Detailed descriptions of algorithm and evaluation of the algorithm see Liu et al. (2012, JGR-B). <strong>Several changes have been made compared with the JGR paper:</strong> The MODIS C6 land surface reflectance products MOD09A1 was used to generate MODIS LAI in this GLOBMAP V3 products instead of C5 products. The clumping effects was considered at the pixel level by employing global clumping index map at 500m resolution (He et al., 2012) instead of land cover-specific clumping index in generation of MODIS LAI. And the new pixel-based AVHRR SR-MODIS LAI relationships were established based on these MODIS LAI series and used for AVHRR LAI retrieval. The cloud mask for MOD09A1 data were generated by a new cloud detection algorithm based on time series surface reflectance observations (Liu and Liu, 2013). And the contaminated pixels were filled by locally adjusted cubic spline capping approach (Chen et al., 2006). <strong>Dataset Characteristics:</strong> <strong> </strong>Spatial Coverage: 180ºW~180ºE, 63ºS~90ºN; Temporal Coverage: July, 1981-Dec. 2020 (continuously updated); Spatial Resolution: 0.0727273º; Temporal Resolution: Half month (1981-2000), 8-day (2001-); Projection: Geographic; Data Format: HDF/Geotiff; Scale: 0.01; Valid Range: 0-1000. <strong>Citation (</strong>Please cite this paper whenever these data are used)<strong>:</strong> Liu, Y., R. Liu, and J. M. Chen (2012), Retrospective retrieval of long-term consistent global leaf area index (1981–2011) from combined AVHRR and MODIS data, J. Geophys. Res., 117, G04003, doi:10.1029/2012JG002084. If you have any questions, please contact <strong>Prof. Ronggao Liu (liurg@igsnrr.ac.cn)</strong> or <strong>Dr. Yang Liu (liuyang@igsnrr.ac.cn)</strong>. <strong>Related publications with this dataset:</strong><strong> </strong> Chen, J. M., F. Deng, and M. Chen (2006), Locally adjusted cubic-spline capping for reconstructing seasonal trajectories of a satellite-derived surface parameter, <em>IEEE Trans. Geosci. Remote Sens.</em>, 44, 2230-2238 Deng, F., J. M. Chen, S. Plummer, M. Z. Chen, and J. Pisek (2006), Algorithm for global leaf area index retrieval using satellite imagery, <em>IEEE Trans. Geosci. Remote Sens.</em>, 44(8), 2219–2229. He, L. M., J. M. Chen, J. Pisek, C. B. Schaaf, and A. H. Strahler (2012), Global clumping index map derived from the MODIS BRDF product, <em>Remote Sens. Environ.</em>, 119, 118-130. Liu, R. G., and Y. Liu (2013), Generation of new cloud masks from MODIS land surface reflectance products, <em>Remote Sens. Environ.</em>, 133, 21-37. Tucker, C. J., J. E. Pinzon, M. E. Brown, D. A. Slayback, E. W. Pak,R. Mahoney, E. F. Vermote, and N. El Saleous (2005), An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data, <em>Int. J. Remote Sens.</em>, 26(20), 4485–4498.
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.
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 | 0,001 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,006 |
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 découle