All-sky hourly estimation over East Asia using Himawari-8 AHI and multi-source data: investigating the main climatic drivers of afternoon depression and intraday variability in gross primary productivity
Notice bibliographique
Résumé
Intraday observations from geostationary satellites provide key information for estimating terrestrial productivity and analyzing environmental drivers, but cloud cover often hinders continuous monitoring. In this study, we addressed this limitation by combining multi-source data and a data-driven approach to develop hourly, all-sky, regional-scale gross primary productivity (GPP). Our all-sky GPP showed strong consistency with ground measurements in East Asia (coefficient of determination (R2) = 0.86, root mean squared error = 2.4 μmol CO₂/m²/s) and outperformed conventional hourly GPP products derived from the observations of International Space Station (ISS) sensors and polar-orbiting satellites. To investigate how the importance of input variables differs between clear-sky and cloudy-sky conditions, we applied Shapely Additive exPlanation (SHAP) analysis. Notably, the Himawari-8-derived features contributed most in both clear- and cloudy-sky models. Under heat stress in clear-sky conditions, water-content features exhibited increasing impact compared to normal conditions, while latent heat flux demonstrated high contribution beneath the clouds. By capturing these regime shifts in feature importance, our all-sky GPP effectively captured the widespread afternoon depression in summer across East Asia. Regional analysis by land cover, using the Pearson correlation coefficient (r), revealed that vapor pressure deficit drove afternoon depression under clear skies (r = -0.519), whereas surface latent heat flux was the primary driver under cloudy conditions (r = -0.785). These findings highlight the synergistic use of high-frequency geostationary observations and the detailed spatial information from polar-orbiting satellites, which enhances our understanding of the shifting environmental drivers of GPP across regimes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».