A Continuous Root Water Uptake Isotope Mixing Model
Notice bibliographique
Résumé
Abstract The depth‐wise distribution of root water uptake is typically inferred through linear mixing models that utilize knowledge of stable water isotopes in soil and plants. However, these existing models often represent the water uptake profile in discrete segments, potentially introducing significant uncertainty and bias into results. In this study, we introduced a novel root water uptake mixing model that combines a Bayesian linear mixing framework with a continuous root water uptake pattern, named CrisPy. To evaluate the performance of CrisPy, we conducted virtual and field‐based tests under several types of prior information. CrisPy showed accurate and robust reconstruction of the true root water uptake profile under various prior information settings in the virtual test. By contrast, the discrete mixing model, MixSIAR was greatly influenced by the prior information and deviated from the true profile. The root mean squared error of the uptake proportions from CrisPy ranged from 3.6% to 7.4%, while MixSIAR exhibited values of 6.3%–15.2%. Furthermore, posterior predictive checking indicated that CrisPy effectively reconstructed the mean and standard deviations of plant water isotopic compositions in both virtual and field‐based tests. MixSIAR, however, underestimated the mean and overestimated the standard deviation of these compositions. These findings collectively support the enhanced accuracy, greater robustness, and reduced uncertainty of CrisPy in comparison to MixSIAR. Therefore, CrisPy provides a powerful tool for partitioning plant water sources.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».