GPP and the predictability of CO <sub>2</sub> : more uncertainty in what we predict than how well we predict it
Notice bibliographique
Résumé
Abstract. The prediction of atmospheric CO2 concentrations is limited by the high interannual variability (IAV) of terrestrial gross primary productivity (GPP). However, there are large uncertainties in the drivers of GPP IAV among Earth system models (ESMs). Here, we evaluate the impact of these uncertainties on the predictability of atmospheric CO2 in six ESMs. We use regression analysis to determine the role of environmental drivers on (i) the patterns of GPP IAV, and (ii) the predictability of GPP. There are large uncertainties in the spatial distribution of GPP IAV. Although all ESMs agree on the high IAV in the tropics, several ESMs have unique hotspots of GPP IAV. The main driver of GPP IAV is temperature in the ESMs using the Community Land Model, and soil moisture in IPSL-CM6A-LR and MPI-ESM-LR, revealing underlying differences in the source of GPP IAV among ESMs. Between 13 % and 24 % of the GPP IAV is predictable one year ahead, with four out of six ESMs between 19 % and 24 %. Up to 32 % of the GPP IAV induced by soil moisture is predictable, while only 7 % to 13 % of the GPP IAV induced by radiation. The results show that while ESMs are fairly similar in their ability to predict themselves, their predicted contribution to the atmospheric CO2 variability originates from different regions and is caused by different drivers. A higher coherence in atmospheric CO2 predictability could be achieved by reducing uncertainties of GPP sensitivity to soil moisture, and by accurate observational products for GPP IAV.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».