Robust Inverse Modeling of Growing Season Net Ecosystem Exchange in a Mountainous Peatland: Influence of Distributional Assumptions on Estimated Parameters and Total Carbon Fluxes
Notice bibliographique
Résumé
Abstract While boreal lowland bogs have been extensively studied using the eddy‐covariance (EC) technique, less knowledge exists on mountainous peatlands. Hence, half‐hourly CO 2 fluxes of an ombrotrophic peat bog in the Harz Mountains, Germany, were measured with the EC technique during a growing season with exceptionally dry weather spells. A common biophysical process model for net ecosystem exchange was used to describe measured CO 2 fluxes and to fill data gaps. Model parameters and uncertainties were estimated by robust inverse modelling in a Bayesian framework using a population‐based Markov Chain Monte Carlo sampler. The focus of this study was on the correct statistical description of error, i.e. the differences between the measured and simulated carbon fluxes, and the influence of distributional assumptions on parameter estimates, cumulative carbon fluxes, and uncertainties. We tested the Gaussian, Laplace, and Student's t distribution as error models. The t‐distribution was identified as best error model by the deviance information criterion. Its use led to markedly different parameter estimates, a reduction of parameter uncertainty by about 40%, and, most importantly, to a 5% higher estimated cumulative CO 2 uptake as compared to the commonly assumed Gaussian error distribution. As open‐path measurement systems have larger measurement error at high humidity, the standard deviation of the error was modeled as a function of measured vapor pressure deficit. Overall, this paper demonstrates the importance of critically assessing the influence of distributional assumptions on estimated model parameters and cumulative carbon fluxes between the land surface and the atmosphere.
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 ».