Modelling Peatland Productivity by Water Table Depth or Near-Surface Water Contents via the DIMONA Online Platform
Notice bibliographique
Résumé
This study extends our previous work showing that a process-based (PB) model, the DIMONA PB model, could accurately simulate peatland soil water dynamics when driven by water table depth, dWT, or by near surface soil water contents, θ. Here, we explore the model’s ability to simulate the peatland canopy photosynthesis, growth, biomass, height, and gross primary productivity (GPP) of vascular plants and bryophytes—thus ecosystem GPP—using either of these drivers. The DIMONA PB model is embedded into the DIMONA online modelling platform, a web application capable of ingesting data from the Internet and performing machine learning (ML) modelling and Internet of Things (IoT) modelling complementary to PB modelling. We test whether the DIMONA PB model, driven by dWT (Hypothesis 1) and by near-surface θ (Hypothesis 2), can successfully simulate peatland ecosystem GPP at the Mer Bleue bog (Ontario, Canada). Two model runs were generated, one driven by dWT and another by near-surface θ. Both model runs performed with similar accuracy. Data fit for simulated on observed GPP reached 0.72 for R2, 1.7 umol CO2 m−2 s−1 for RMSE, and 0.88 for Willmott’s index of agreement at an hourly time step and 0.91, 0.8 g C m−2 d−1, and 0.92, respectively, at a daily time step. We use the output from the two model runs to examine whether the model’s modifiers (i.e., equations) for water control can capture the specifics of contrasting hydrological conditions on peatland GPP (Hypothesis 3). Both model runs closely simulated the observed GPP to contrasting peatland hydrological conditions under similar meteorological forcing. We illustrate the ability of the DIMONA platform to facilitate the parameterization of DIMONA models for any geographic location, as well as its ability to perform IoT modelling of real-time photosynthesis at two site locations and ML modelling for ecosystem GPP as a complementary tool to PB modelling.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».