PEAT‐CLSM: A Specific Treatment of Peatland Hydrology in the NASA Catchment Land Surface Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Peatlands are poorly represented in global Earth system modeling frameworks. Here we add a peatland-specific land surface hydrology module (PEAT-CLSM) to the Catchment Land Surface Model (CLSM) of the NASA Goddard Earth Observing System (GEOS) framework. The amended TOPMODEL approach of the original CLSM that uses topography characteristics to model catchment processes is discarded, and a peatland-specific model concept is realized in its place. To facilitate its utilization in operational GEOS efforts, PEAT-CLSM uses the basic structure of CLSM and the same global input data. Parameters used in PEAT-CLSM are based on literature data. A suite of CLSM and PEAT-CLSM simulations for peatland areas between 40°N and 75°N is presented and evaluated against a newly compiled data set of groundwater table depth and eddy covariance observations of latent and sensible heat fluxes in natural and seminatural peatlands. CLSM's simulated groundwater tables are too deep and variable, whereas PEAT-CLSM simulates a mean groundwater table depth of -0.20 m (snow-free unfrozen period) with moderate temporal fluctuations (standard deviation of 0.10 m), in significantly better agreement with in situ observations. Relative to an operational CLSM version that simply includes peat as a soil class, the temporal correlation coefficient is increased on average by 0.16 and reaches 0.64 for bogs and 0.66 for fens when driven with global atmospheric forcing data. In PEAT-CLSM, runoff is increased on average by 38% and evapotranspiration is reduced by 19%. The evapotranspiration reduction constitutes a significant improvement relative to eddy covariance measurements.
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.
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 découle