An Ecohydrologically-informed Machine Learning Approach for Understanding Dryland Carbon Dynamics
Notice bibliographique
Résumé
Drylands have tightly coupled water and carbon cycles due to persistent water scarcity, making them valuable systems for understanding coupled ecohydrological and biogeochemical processes. In addition, dryland ecosystems contribute significantly to the interannual variability of the terrestrial carbon sink. To better characterize dryland carbon dynamics, we present DryFlux, a machine learning upscaled product based on a dense network of eddy covariance sites in the North American Southwest. This product combines in-situ fluxes with remote sensing and meteorological data to estimate gross primary productivity in drylands while explicitly accounting for water limitation during the model development process. DryFlux outperforms existing products in capturing interannual and seasonal variation in carbon uptake when used globally. We specifically explore how machine learning techniques can accurately upscale fluxes at multiple spatial (1 km and 9 km) and temporal (daily, weekly, monthly) scales to find the best resolution for capturing spatial and temporal heterogeneity in carbon and water fluxes. In addition, we discuss how remotely sensed soil moisture from satellites can help capture biogeochemical 'hot spots' and 'hot moments' in drylands. Our findings can help us better understand dynamic carbon fluxes in drylands, as well as the spatiotemporal resolution needed to resolve water-carbon dynamics in these and other systems. Machine learning methods that explicitly incorporate water limitation in model development can contribute to a more comprehensive understanding of carbon, energy, and water fluxes at multiple scales.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».