Comparison of the Performance of Statistical Models that Predict Soil Respiration from Forests
Notice bibliographique
Résumé
Soil respiration (Rs) is an important source of CO 2 to the atmosphere, yet understanding the processes controlling the combined autotrophic and heterotrophic components has proven challenging. Numerous statistical models have been developed to explain Rs as a function of physical and chemical conditions, but there has been little effort to systematically evaluate and compare the performance of these different models. Soils in a sugar maple ( Acer saccharum Marsh.) forest were monitored for Rs and its physical and chemical drivers, and the monitored data were used to fit the most common of these statistical models. Each model was fit using a repeated trials approach and the performance of the model was evaluated with a range of goodness‐of‐fit measures (RMSE, mean absolute error, r 2 , index of agreement, bias, and Akaike information criterion). An exponential model in which the exponent is a polynomial expression that is linear with respect to temperature (°C) and quadratic with respect to soil moisture (% by volume) explained 57% of the variance in Rs and performed well among the goodness‐of‐fit measures. Inclusion of C quantity and substrate quality (as measured by the C/N ratio) in the soils, however, increased the explanation of variance in Rs to 71%. This study shows that combining soil temperature and moisture drivers with soil C quantity and substrate quality significantly improves statistical models predicting soil respiration. Our findings support the comparison of the performance of different statistical models using a repeated trials approach coupled with a range of goodness‐of‐fit measures to identify controls on Rs within an ecosystem and to assess the generality of these controls on Rs across ecosystems.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».