MétaCan
Menu
Retour à la cohorte
Enregistrement W4385235285 · doi:10.1029/2023jg007553

A Practical Algorithm for Correcting Topographical Effects on Global GPP Products

2023· article· en· W4385235285 sur OpenAlexaff
Xinyao Xie, Jing M. Chen, Wenping Yuan, Xiaobin Guan, Huaan Jin, Jiye Leng

Notice bibliographique

RevueJournal of Geophysical Research Biogeosciences · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesInstitute of Mountain Hazards and EnvironmentYouth Innovation Promotion AssociationChinese Academy of SciencesNational Natural Science Foundation of China
Mots-clésMean squared errorEnvironmental sciencePrimary productionRedistribution (election)High resolutionRemote sensingAtmospheric sciencesClimatologyMeteorologyMathematicsEcosystemStatisticsGeographyGeologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Vegetation in mountainous areas contributes about 36% to the global gross primary productivity (GPP). However, the influences of topography on radiation and water redistributions in mountain ecosystems are so far ignored in existing global GPP data sets. Here, an eco‐hydrological model was adopted to simulate 30 m resolution mountain and flat GPP over 16 watersheds. Then, a topographical correction index (TCI) was developed based on simulated soil water redistribution (TCIwater), radiation redistribution (TCIrad), and redistribution of climate factors (TCIclim). Finally, the proposed TCI was applied to four GPP data sets. The mean‐bias‐error (MBE), determination coefficient (R2), and Root‐Mean‐Square‐Error (RMSE) between mountain GPP and flat GPP (or GPP data sets) were used for evaluation. Results showed that the MBE of flat GPP before correction (194 g C m−2 yr−1) was reduced to 126, 94, and 2 g C m−2 yr−1 after the corrections of TCIwater, TCIrad, and TCIclim, highlighting the effectiveness of integrated redistribution information in correcting the topographical effect on GPP estimation. The relationship between mountain and flat GPP after the TCI correction was improved at the 30 m resolution (increasing R2 by 0.09 and reducing RMSE by 90 g C m−2 yr−1) and 480 m resolution (increasing R2 by 0.13 and reducing RMSE by 178 g C m−2 yr−1). Regarding the four GPP data sets after the TCI correction, the MBE of 183 g C m−2 yr−1 was averagely reduced to 17 g C m−2 yr−1, and RMSE was reduced by 118 g C m−2 yr−1 at 480 m resolution. This study suggests that integrating topography‐induced interactions into current GPP data sets is a feasible way to understand the carbon budget in mountain ecosystems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,385
Écart entre enseignants0,330 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research BiogeosciencesMême sujetHydrology and Watershed Management StudiesTravaux en français237 207