Sensitivity of land-type variations across Canada using S-5p products
Notice bibliographique
Résumé
Methane (CH 4 ), a potent greenhouse gas, traps heat in the atmosphere and significantly contributes to global warming. It is unclear whether CH 4 emissions from various land-types and other natural sources have increased substantially in the last decade linked, for example, to global warming and uncertainties remain regarding sources and their spatial extent causing discrepancies between emission estimates from inventories/models and estimates inferred by an ensemble of atmospheric inversions. Here we compared remotely sensed CH 4 total column data, along with surface albedo from the Sentinel-5 Precursor (S-5p) satellite against six main temperate zone land types (marsh, swamp, forest, grassland, cropland, and barren-land across Canada over a four-year period (2019–2022). The study developed a machine learning based algorithm that can be used to classify between such different land types using S-5p products. From 2019 to 2022, the average producer’s accuracy (PA) across all land types ranged from 50.8 % to 98.4 %, while the average user’s accuracy (UA) ranged from 69.9 % to 95.4 %. Although the methodology presented does not directly differentiate the methane fluxes from different land types, it does provide a foundation that with better ground truth monitoring and higher resolution imagery, could lead to a being able to differentiate methane emissions between land types with increased confidence, as well as determining whether significant changes are occurring over time. This would yield valuable insights for climate scientists and policy makers at both national and international levels. • Sentinel-5 Precursor shows unique methane sensitivities, enhancing monitoring. • Usage of machine learning to better detect land types linked to methane emissions. • Methodology aids future methane flux differentiation, promising better estimates.
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 | 0,000 |
| 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 ».