Spatial Scaling of Gross Primary Productivity Over Sixteen Mountainous Watersheds Using Vegetation Heterogeneity and Surface Topography
Notice bibliographique
Résumé
Abstract Land surface models intended for large‐scale applications are often executed at coarse resolutions, and the sub‐grid heterogeneity is usually ignored. Here, a spatial scaling algorithm that integrates the information of vegetation heterogeneity (land cover type and leaf area index) and surface topography (elevation, slope, relative azimuth (Raz) between the sun and the slope background, sky‐view factor, and topographic wetness index), was proposed to correct errors in gross primary productivity (GPP) estimates at a coarse spatial resolution. An eco‐hydrological model named BEPS‐TerrainLab was used to simulate GPP at 30 and 480 m resolutions for 16 mountainous watersheds selected globally. Results showed that an obvious improvement on GPP estimates at 480 m resolution was achieved after the correction in comparison with GPP modeled at 30 m resolution, with the determination coefficient increased by 0.38 and mean bias error reduced by 203gCm −2 yr −1 . The combination of all the seven factors made the largest improvement for GPP estimation at 480 m resolution, suggesting that a larger improvement would be achieved when more factors of surface heterogeneity are considered. More specifically, our results indicated that five factors, including land cover type and leaf area index regarded as integrated outcomes of all the environmental conditions, Raz and sky‐view factor associated with radiation redistribution, and slope related to soil water redistribution, were especially important in the spatial scaling procedure. This study suggests that incorporating the information of surface heterogeneity into the spatial scaling algorithm is useful for improving coarse resolution GPP estimates over mountainous areas.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».