Utilization of the Google Earth Engine for the evaluation of daily soil temperature derived from Global Land Data Assimilation System in two different depths over a semiarid region
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
Abstract The Google Earth Engine (GEE) was used to investigate the performance of the Global Land Data Assimilation System (GLDAS) soil temperature (ST) data against observed ST from 13 synoptic stations over a semiarid region in Iran. Three‐hourly ST data were collected and analyzed in two depths (0–10 cm; 40–100 cm) and 5 years. In each depth, GLDAS‐Noah ST data were evaluated for daily minimum, maximum, and average ST (i.e., T min , T max , and T avg ). Based on the correlation coefficient, Kling–Gupta Efficiency, and Nash–Sutcliffe Efficiency the overall performance of the GLDAS‐Noah is 0.96, 0.66, and 0.79 for T min ; 0.97, 0.84, and 0.89 for T avg ; and 0.95, 0.89, and 0.89 for T max , respectively in the first layer. Likewise, 0.97, 0.85, and 0.86 for T min ; 0.97, 0.77, and 0.80 for T avg ; and 0.97, 0.69, and 0.69 for T max are obtained in the second layer. However, there is a significant negative bias which tends to underestimate ST in the two investigated layers, given by an average bias over all the stations analyzed of −24%, −12%, and −5% for T min , T avg , and T max in the first layer, and average bias of −8%, −13%, and −17% for T min , T avg , and T max in the second layer. This study reveals that GLDAS‐Noah‐derived ST can be used in arid regions where little or no observation data is available. Moreover, GEE performed as an advanced geospatial processing tool in regional scale analysis of ST in different layers.
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 | 0,000 |
| 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 découle