Evaluation of leaf‐to‐canopy upscaling methodologies against carbon flux data in North America
Notice bibliographique
Résumé
Despite the wide acceptance of the “big‐leaf” upscaling strategy in evapotranspiration modeling (e.g., the Penman‐Monteith model), its usefulness in simulating canopy photosynthesis may be limited by the underlying assumption of homogeneous response of carbon assimilation light‐response kinetics through the canopy. While previous studies have shown that the separation of the canopy into sunlit and shaded parts (i.e., two‐leaf model) is typically more effective than big‐leaf models for upscaling photosynthesis from leaf to canopy, a systematic comparison between these two upscaling strategies among multiple ecosystems has not been presented. In this study, gross primary productivity was modeled using two‐leaf and big‐leaf upscaling approaches in the Boreal Ecosystem Productivity Simulator for shrublands, broadleaf, and conifer forest types. When given the same leaf‐level photosynthetic parameters, the big‐leaf approach significantly underestimated canopy‐level GPP while the two‐leaf approach more closely predicted both the magnitude and day‐to‐day variability in eddy covariance measurements. The underestimation by the big‐leaf approach is mostly caused by its exclusion of the photosynthetic contributions of shaded leaves. Tests of the model sensitivity to a foliage clumping index revealed that the contribution of shaded leaves to the total simulated productivity can be as high as 70% for highly clumped stands and seldom decreases below ∼40% for less‐clumped canopies. Our results indicate that accurate upscaling of photosynthesis across a broad array of ecosystems requires an accurate description of canopy structure in ecosystem models.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».