Discrepancies in the Simulated Global Terrestrial Latent Heat Flux from GLASS and MERRA-2 Surface Net Radiation Products
Notice bibliographique
Résumé
Surface all-wave net radiation (Rn) is a crucial variable driving many terrestrial latent heat (LE) models that estimate global LE. However, the differences between different Rn products and their impact on global LE estimates still remain unclear. In this study, we evaluated two Rn products, Global LAnd Surface Satellite (GLASS) beta version Rn and Modern-Era Retrospective Analysis for Research and Applications-version 2 (MERRA-2) Rn, from 2007–2017 using ground-measured data from 240 globally distributed in-situ radiation measurements provided by FLUXNET projects. The GLASS Rn product had higher accuracy (R2 increased by 0.04–0.26, and RMSE decreased by 2–13.3 W/m2) than the MERRA-2 Rn product for all land cover types on a daily scale, and the two Rn products differed greatly in spatial distribution and variations. We then determined the resulting discrepancies in simulated annual global LE using a simple averaging model by merging five diagnostic LE models: RS-PM model, SW model, PT-JPL model, MS-PT model, and SIM model. The validation results showed that the estimated LE from the GLASS Rn had higher accuracy (R2 increased by 0.04–0.14, and RMSE decreased by 3–8.4 W/m2) than that from the MERRA-2 Rn for different land cover types at daily scale. Importantly, the mean annual global terrestrial LE from GLASS Rn was 2.1% lower than that from the MERRA-2 Rn. Our study showed that large differences in satellite and reanalysis Rn products could lead to substantial uncertainties in estimating global terrestrial LE.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».