Driving an ecosystem simulation model with spatial estimates of LAI
Notice bibliographique
Résumé
Ground and remotely sensed data were collected between 1994 and 1998 as part of the BOReal Ecosystem-Atmosphere Study (BOREAS) and Boreal Ecosystem Research and Monitoring Sites (BERMS) initiatives in northern Canada. A pilot investigation 'optimised' the FOREST-BGC (Bio Geochemical Cycling) ESM to obtain accurate estimates of NPP for a number of BOREAS sites and ascertained model sensitivity to input variables. Subsequently, FOREST-BGC was 'automated' using remotely sensed estimates of leaf area index (LAI) from the Landsat Thematic Mapper (TM) sensor, in order to produce a 20 km2 map of NPP. The pilot study emphasised the need for accurate spatial estimates of LAI. Consequently, three refinements were investigated with the aim of maximising the accuracy with which remotely sensed data could be used to estimate boreal forest LAI: First, the joint issues of scale and the choice of an optimum sampling unit for forested landscapes were investigated through the development of a new technique for the partitioning of remotely sensed images into relatively homogeneous 'areal sampling units' (ASU). Second, three alternative methods for producing spatially-extensive estimates of LAI were explored: Aspatial regression, cokriging and conditional simulation. Third, the potential of using radiation acquired by the Advanced Very High Resolution Radiometer satellite sensor was assessed by investigating the relationship between LAI and several spectral vegetation indices. The final phase of this research explored the impact of future climates on the carbon budget of the boreal forest. It was concluded that driving FOREST-BGC with accurate spatial estimates of LAI derived from remotely sensed data is a powerful tool with which to gain a quantitative understanding of current and future biogeochemical cycling through the boreal forest ecosystem.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».