Assessing the generalization power of three machine learning models and three evapotranspiration formulas using 143 FLUXNET towers data
Notice bibliographique
Résumé
Direct measurement of evapotranspiration (ET) is costly and difficult to implement on a large scale. It is therefore a necessity to count on reliable approaches to estimate it. Among such approaches, Machine learning models (MLMs) are easily applicable and computationally inexpensive, especially for broadscale analyses. In this study, three different types of MLMs, namely Random Forest, Light Gradient Boosting Machine and Neural Networks are assessed for their estimation accuracy on unseen locations (i.e. generalization power). Estimates of ET from these MLMs are compared against direct observation from 143 eddy-covariance flux towers spanning across a broad range of climate and vegetation types. We initially hypothesized that the MLMs, provided that they are trained using data from a wide variety of climate and vegetation types, are able to accurately estimate ET on unseen locations (default experiment). The MLMs are benchmarked against Penman, Priestley-Taylor, and Oudin ET formulas/models. The results show that the MLMs indeed perform satisfactorily on the majority of the test locations, but not in all of them, yielding on average a 15% lower normalized mean-absolute-error (NMAE) than the Priestley-Taylor formula. Moreover, we compared the performance of the MLMs trained and tested using different data splitting strategies. When training and testing data are not spatially separated, the results show that the Random Forest model has a 7% lower NMAE compared to when the spatial separation is done (the default experiment). This suggests that the MLMs are prone to overfit to site-specific patterns that might not be relevant for other locations. In conclusion, the results of this large scale study points toward reliability of the MLMs as far as their generalization power is concerned. At the same time, they also show that different data splitting strategies can lead to significantly different results.
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 | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».