A 21-Year Time Series of Global Leaf Chlorophyll Content Maps From MODIS Imagery
Notice bibliographique
Résumé
Leaf chlorophyll content (LCC) is an important plant physiological trait and is critical for accurate modeling of vegetation photosynthesis over time and space. To date, there is still a lack of a global long time-series dataset of LCC. In this study, we developed an algorithm to retrieve global LCC from MODIS surface reflectance data from 2000–2020. An essential requirement for generating LCC time series is to capture its seasonal dynamics. This issue was addressed by using a matrix system with two pairs of vegetation indices to minimize the impacts of leaf area index and canopy non-photosynthetic material on LCC estimation in different seasons. The matrix system algorithm was applied to Landsat data and MODIS data, respectively. The validation based on Landsat data and ground measurements reveals the algorithm has the ability to catch the seasonal variations of LCC in different plant functional types, and the MODIS-derived LCC shows good agreement with Landsat-upscaled LCC (R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> =0.77, RMSE=6.9 μg/cm <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> ). The global 8-day LCC data at 500-m resolution in 2000–2020 was generated using the matrix system from MODIS and presented distinct temporal and spatial variations, which provides a new opportunity for analyzing vegetation physiological dynamics in climate change studies.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».