Improving operational land surface model canopy evapotranspiration in Africa using a direct remote sensing approach
Notice bibliographique
Résumé
Abstract. Climate change is expected to have the greatest impact on the world's economically poor. In the Sahel, a climatically sensitive region where rain-fed agriculture is the primary livelihood, expected decreases in water supply will increase food insecurity. Studies on climate change and the intensification of the water cycle in sub-Saharan Africa are few. This is due in part to poor calibration of modeled evapotranspiration (ET), a key input in continental-scale hydrologic models. In this study, a remote sensing model of transpiration (the primary component of ET), driven by a time series of vegetation indices, was used to substitute transpiration from the Global Land Data Assimilation System realization of the National Centers for Environmental Prediction, Oregon State University, Air Force, and Hydrology Research Laboratory at National Weather Service Land Surface Model (GNOAH) to improve total ET model estimates for monitoring purposes in sub-Saharan Africa. The performance of the hybrid model was compared against GNOAH ET and the remote sensing method using eight eddy flux towers representing major biomes of sub-Saharan Africa. The greatest improvements in model performance were at humid sites with dense vegetation, while performance at semi-arid sites was poor, but better than the models before hybridization. The reduction in errors using the hybrid model can be attributed to the integration of a simple canopy scheme that depends primarily on low bias surface climate reanalysis data and is driven primarily by a time series of vegetation indices.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».