A deep‐learning‐based experiment for benchmarking the performance of global terrestrial vegetation phenology models

2021 ◽  
Vol 30 (11) ◽  
pp. 2178-2199
Author(s):  
Xuewen Zhou ◽  
Qinchuan Xin ◽  
Yongjiu Dai ◽  
Wanjing Li
Keyword(s):  
Deep Learning ◽  
Vegetation Phenology ◽  
Terrestrial Vegetation

scholarly journals ANALYZING THE VELOCITY OF VEGETATION PHENOLOGY OVER THE TIBETAN PLATEAU USING GIMMS NDVI3g DATA

2018 ◽  
Vol XLII-3 ◽  
pp. 2575-2578
Author(s):  
Y. K. Zhou
Keyword(s):  
Tibetan Plateau ◽  
Global Environmental Change ◽  
Growing Season ◽  
The Tibetan Plateau ◽  
Vegetation Phenology ◽  
Terrestrial Vegetation ◽  
Velocity Change ◽  
Growing Season Length ◽  
Change Context ◽  
Gimms Ndvi3g

Global environmental change is rapidly altering the dynamics of terrestrial vegetation, and phenology is a classic proxy to detect the response of vegetation to the changes. On the Tibetan Plateau, the earlier spring and delayed autumn vegetation phenology is widely reported. Remotely sensed NDVI can serve as a good data source for vegetation phenology study. Here GIMMS NDVI3g data was used to detect vegetation phenology status on the Tibetan Plateau. The spatial and temporal gradients are combined to depict the velocity of vegetation expanding process. This velocity index represents the instantaneous local velocity along the Earth’s surface needed to maintain constant vegetation condition. This study found that NDVI velocity show a complex spatial pattern. A considerable number of regions display a later starting of growing season (SOS) and earlier end of growing season (EOS) reflected by the velocity change, particularly in the central part of the plateau. Nearly 74 % vegetation experienced a shortened growing season length. Totally, the magnitude of the phenology velocity is at a small level that reveals there is not a significant variation of vegetation phenology under the climate change context.

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Primäre ZNS-Lymphome: Vollautomatisierte Detektion und Segmentierung auf multiparametrischen MRT-Datensätzen mittels Deep-Learning

2020 ◽  
Author(s):  
L Pennig ◽  
L Lourenco Caldeira ◽  
C Hoyer ◽  
L Görtz ◽  
R Shahzad ◽  
...  
Keyword(s):  
Deep Learning

Computertomografie: Bildrekonstruktion mit Deep Learning in der klinischen Routine

2020 ◽  
Author(s):  
A Heinrich ◽  
M Engler ◽  
D Dachoua ◽  
U Teichgräber ◽  
F Güttler
Keyword(s):  
Deep Learning
Sign in / Sign up

Export Citation Format

Share Document