Monthly Gridded Data Product of Northern Wetland MethaneEmissions Based on Upscaling Eddy Covariance Observations
Notice bibliographique
Résumé
Abstract. Natural wetlands constitute the largest and most uncertain source of methane (CH4) to the atmosphere and a large fraction of them are in the northern latitudes. These emissions are typically estimated using process (bottom-up) or inversion (top-down) models, yet the two are not independent of each other since the top-down estimates rely on the a priori estimation of these emissions coming from the process models. Hence, independent validation data of the large-scale emissions would be needed. Here we utilize random forest (RF) machine learning technique to upscale CH4 eddy covariance flux measurements from 25 sites to estimate CH4 wetland emissions from the northern latitudes (north of 45 °N) during years 2013 and 2014. The predictive performance of the RF model is evaluated using the leave-one-site-out cross-validation scheme and the performance (Nash-Sutcliffe model efficiency = 0.47) is comparable to previous studies upscaling net ecosystem exchange of carbon dioxide or studies where process models are compared against site-level CH4 emission data. Three wetland maps are utilized in the upscaling and the annual emissions for the northern wetlands yield 31.7 (22.3–41.2, 95 % confidence interval), 30.6 (21.4–39.9) or 37.6 (25.9–49.5) Tg(CH4) yr−1, depending on the map used. To evaluate the uncertainties of the upscaled product it is also compared against two process models (LPX-Bern and WetCHARTs) and methodological issues related to CH4 flux upscaling are discussed. The monthly upscaled CH4 flux data product is available for further usage at: https://doi.org/10.5281/zenodo.2560164.
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) | 0,001 | 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 | 0,000 | 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) | 0,001 | 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 ».