Notice bibliographique
Résumé
Plant functional types (PFTs) are used to represent vegetation distribution in land surface models (LSMs). Large differences are found in the geographical distribution of PFTs currently used in various LSMs. These differences arise from the differences in the underlying land cover products but also the methods used to map or reclassify land cover data to the PFTs that a given LSM represents. There are large uncertainties associated with existing PFT mapping methods since they are largely based on expert judgment and therefore are subjective. In this study, we propose a new approach to inform the mapping or the cross-walking process using analyses from sub-pixel fractional error matrices, which allows for a quantitative assessment of the fractional composition of the land cover categories in a dataset. We use the Climate Change Initiative (CCI) land cover product produced by the European Space Agency (ESA). A previous study has shown that compared to fine-resolution maps over Canada, the ESA-CCI product provides an improved land cover distribution compared to that from the GLC2000 dataset currently used in the CLASSIC (Canadian Land Surface Scheme Including Biogeochemical Cycles) model. A tree cover fraction dataset and a fine-resolution land cover map over Canada are used to compute the sub-pixel fractional composition of the land cover classes in ESA-CCI, which is then used to create a cross-walking table for mapping the ESA-CCI land cover categories to nine PFTs represented in the CLASSIC model. There are large differences between the new PFTs and those currently used in the model. Offline simulations performed with the CLASSIC model using the ESA-CCI based PFTs show improved winter albedo compared to that based on the GLC2000 dataset. This emphasizes the importance of accurate representation of vegetation distribution for realistic simulation of surface albedo in LSMs. Results in this study suggest that the sub-pixel fractional composition analyses are an effective way to reduce uncertainties in the PFT mapping process and therefore, to some extent, objectify the otherwise subjective process.
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 | 0,004 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,031 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,161 | 0,124 |
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 ».