MétaCan
Menu
Retour à la cohorte
Enregistrement W4313514262 · doi:10.1016/j.agrformet.2022.109305

The effect of relative humidity on eddy covariance latent heat flux measurements and its implication for partitioning into transpiration and evaporation

2023· article· en· W4313514262 sur OpenAlexaff
Weijie Zhang, Martin Jung, Mirco Migliavacca, Rafael Poyatos, Diego G. Miralles, Tarek S. El‐Madany, Marta Galvagno, Arnaud Carrara, Nicola Arriga, Andreas Ibrom, Ivan Mammarella, Dario Papale, James Cleverly, Michael J. Liddell, Georg Wohlfahrt, Christian Markwitz, Matthias Mauder, Eugénie Paul‐Limoges, Marius Schmidt, Sebastian Wolf, Christian Brümmer, M. Altaf Arain, Silvano Fares, Tomomichi Kato, Jonas Ardö, Walter C. Oechel, Chad Hanson, Mika Korkiakoski, Sébastien Biraud, R. Steinbrecher, D. P. Billesbach, Leonardo Montagnani, William Woodgate, Changliang Shao, Nuno Carvalhais, Markus Reichstein, Jacob A. Nelson

Notice bibliographique

RevueAgricultural and Forest Meteorology · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePlant Water Relations and Carbon Dynamics
Établissements canadiensMcMaster University
Organismes subventionnairesHorizon 2020 Framework ProgrammeAgencia Estatal de InvestigaciónOffice of ScienceAlexander von Humboldt-StiftungU.S. Department of Energy
Mots-clésEddy covarianceTranspirationLatent heatEnvironmental scienceEvaporationSensible heatAtmospheric sciencesRelative humidityFlux (metallurgy)HumidityMeteorologyClimatologyChemistryGeologyPhotosynthesisPhysicsEcosystem

Résumé

récupéré en direct d'OpenAlex

While the eddy covariance (EC) technique is a well-established method for measuring water fluxes (i.e., evaporation or 'evapotranspiration’, ET), the measurement is susceptible to many uncertainties. One such issue is the potential underestimation of ET when relative humidity (RH) is high (>70%), due to low-pass filtering with some EC systems. Yet, this underestimation for different types of EC systems (e.g. open-path or closed-path sensors) has not been characterized for synthesis datasets such as the widely used FLUXNET2015 dataset. Here, we assess the RH-associated underestimation of latent heat fluxes (LE, or ET) from different EC systems for 163 sites in the FLUXNET2015 dataset. We found that the LE underestimation is most apparent during hours when RH is higher than 70%, predominantly observed at sites using closed-path EC systems, but the extent of the LE underestimation is highly site-specific. We then propose a machine learning based method to correct for this underestimation, and compare it to two energy balance closure based LE correction approaches (Bowen ratio correction, BRC, and attributing all errors to LE). Our correction increases LE by 189% for closed-path sites at high RH (>90%), while BRC increases LE by around 30% for all RH conditions. Additionally, we assess the influence of these corrections on ET-based transpiration (T) estimates using two different ET partitioning methods. Results show opposite responses (increasing vs. slightly decreasing T-to-ET ratios, T/ET) between the two methods when comparing T based on corrected and uncorrected LE. Overall, our results demonstrate the existence of a high RH bias in water fluxes in the FLUXNET2015 dataset and suggest that this bias is a pronounced source of uncertainty in ET measurements to be considered when estimating ecosystem T/ET and WUE .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,658
Score d'incertitude au seuil0,210

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,231
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultural and Forest MeteorologyMême sujetPlant Water Relations and Carbon DynamicsTravaux en français237 207