A two‐leaf rectangular hyperbolic model for estimating GPP across vegetation types and climate conditions
Notice bibliographique
Résumé
Abstract There are mainly three types of gross primary production (GPP), including light use efficiency (LUE) model, rectangular hyperbolic model (RHM), and process‐based model (PBM). RHM is not widely used because its parameters, namely, quantum yield (α) and maximum photosynthetic rate (Pm), vary temporally with temperature and spatially with vegetation type under natural conditions. In the study, we present a temperature‐ and vegetation‐type‐adapted RHM by linking it to the Baldocchi's model to obtain the relationship between α‐Pm and Vcmax,25‐temperature to overcome the shortcomings of traditional RHM. The modified RHM (MRHM) coupled with a two‐leaf upscaling strategy makes it possible to accurate and fast estimation of GPP at large scale. Twenty‐two CO2 eddy‐covariance sites with different vegetation types, including evergreen needleleaf forest, deciduous broadleaf forest, grassland, and evergreen broadleaf forest, are used to evaluate the performance of MRHM for GPP estimation. The comparisons of the simulated GPP using MRHM with measured and Boreal Ecosystem Productivity Simulator‐simulated GPP demonstrate that the MRHM can simulate GPP as accurately as PBM and in the meantime with the advantage of simplicity as LUE model. These results show the promising potential of MRHM for accurately simulating GPP with relative high computational efficiency, providing an ideal alternative tool for large‐scale and long time series GPP simulations.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».