Improve the Performance of the Noah‐MP‐Crop Model by Jointly Assimilating Soil Moisture and Vegetation Phenology Data
Notice bibliographique
Résumé
Abstract The interactions between crops and the atmosphere significantly impact surface energy and hydrology budgets, climate, crop yield, and agricultural management. In this study, a multipass land data assimilation scheme (MLDAS) is proposed based on the Noah‐MP‐Crop model. The ensemble Kalman filter (EnKF) method is used to jointly assimilate the leaf area index (LAI), soil moisture (SM), and solar‐induced chlorophyll fluorescence (SIF) observations to predict sensible ( H ) and latent (LE) heat fluxes, gross primary productivity (GPP), etc. Such joint assimilation is demonstrated to be effective in constraining the model state variables (i.e., leaf biomass and SM) and optimizing key crop‐model parameters (i.e., specific leaf area [SLA], and maximum rate of carboxylation, Vcmax). The performance of the MLDAS is evaluated against observations at two AmeriFlux cropland sites, revealing good an agreement with the observed H , LE, and GPP. When using optimized model parameters (SLA and Vcmax) and jointly assimilating LAI, SM, and SIF observations, the MLDAS produces 34.28%, 26.90%, and 51.82% lower root mean square deviations for daily H , LE, and GPP estimates compared with the Noah‐MP‐Crop open loop simulation. Our findings also indicate that the H and LE predictions are more sensitive to SM measurements, while the GPP simulations are more affected by LAI and SIF observations. The results indicate that performances of physical models can be greatly improved by assimilating multi‐source observations within MLDAS.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 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 ».