Global Research Alliance on Agricultural Greenhouse Gases - benchmark and ensemble crop and grassland model estimates
Notice bibliographique
Résumé
The Soil Carbon and Nitrogen Cycling Cross-cutting Group (Soil CN group) of the Global Research Alliance on Agricultural Greenhouse gases (GRA) promotes a coordinated activity across multiple international projects (e.g. CN MIP and Models4Pastures of the FACCE-JPI https://www.faccejpi.com) to benchmark and compare simulation models that simulate GHG emissions from arable crop and grassland systems. Ten long-term experimental sites are studied covering a variety of climatic and geographic conditions worldwide (Australia, Brazil, Canada, France, India, New Zealand, Switzerland, United Kingdom and United States). Twenty-four process-based models of different complexity have contributed to the modelling exercise in different stages, each with access to gradually more detailed data to run and evaluate models of a multi-stage protocol. We present a comparison of model estimates of production (e.g. grain yield, gross primary production, above-ground net primary production, grassland grazing or defoliation) and vegetation (e.g. leaf area index) outputs, as well as GHG emissions (e.g. ecosystem respiration, nitrous oxide, enteric methane) from individual models to the multi-model ensemble. We found substantial discrepancies across different models, indicating considerable uncertainties regarding the simulation of crop and grassland processes. We show that uncertainties are considerably reduced after calibration with detailed production and phenology data. The multi-model approach also allowed for improved performance, according to relative root mean square error and relative bias performance metrics. Calibrated models provide a reliable basis for testing mitigation options at the studied sites.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».