Assessing ESA Climate Change Initiative data for the monitoring of phytoplankton abundance and phenology in deep lakes: Investigation on Lake Geneva
Notice bibliographique
Résumé
Lake water quality assessment requires quantification of phytoplankton abundance. Optical satellite imagery allows us to map this information within the entire lake area. The ESA Climate Change Initiative (ESA-CCI) estimates Chl-a concentrations, based on medium resolution satellite data, on a global scale. Chl-a concentrations provided by the ESA-CCI consortium were analyzed to assess their representativeness for water quality monitoring and subsequent phenology studies in Lake Geneva. Based on vertically resolved in-situ data, those datasets were evaluated through match-up comparisons. Because the underlying algorithms do not take into account the vertical distribution of phytoplankton, a specific analysis was performed to evaluate any potential biases in remote sensing estimation, and consequences for observed phenological trends. Different approaches to data averaging were performed to reconstruct Chl-a estimates provided by the remote sensing algorithms. Strong correlation (R-value > 0.89) and acceptable discrepancies (rmse ∼ 1.4 mg.m−3) were observed for the ESA-CCI data. This approach permitted recalibration of the ESA CCI data for Lake Geneva. Finally, merging satellite and in-situ data provided a consistent time series for long term analysis of phytoplankton phenology and its interannual variability since 2002. This combination of in-situ and satellite data improved the temporal resolution of the time series, enabling a more accurate identification of the timing of specific spring events characterising phytoplankton phenology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».