A Simple Crop Phenology Algorithm in the Land Surface Model CN‐CLASS
Notice bibliographique
Résumé
Land surface models are useful tools for estimating the contribution and response to climate change of C dynamics in various terrestrial ecosystems. In many land surface models, plant phenological algorithms are incorporated based on field studies in forests. However, to simulate adequately the C cycle over a large area, there is a need to include and validate algorithms for other ecosystems. The Carbon and Nitrogen‐coupled Canadian Land Surface Scheme (CN‐CLASS) is a land surface model that has been applied successfully to the study of C stocks in forest ecosystems. The objective of this study is to incorporate a simple crop phenology algorithm into CN‐CLASS and validate its ability to simulate C cycles at an agricultural site in southern Ontario, Canada. The model was validated on a corn crop (Zea mays L.) in 2005 and 2008 based on measurements of aboveground biomass and net ecosystem productivity (NEP), as well as a well‐tested agricultural model, DayCENT (the daily time‐step version of the CENTURY model). The modified CN‐CLASS showed similar dynamics of biomass allocation compared with field measurements and DayCENT simulations. Regression analysis indicated that the modifications improved the NEP simulation for a cornfield, with the coefficient of determination (R2) relating simulated and observed NEP increasing from 0.51 in the original CN‐CLASS to 0.78 in the modified model. Other crop species could be further validated to expand the model application to crop rotation studies and large areas covered by forests and crop fields in consideration of land management practices.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».