Estimating latent heat flux of subtropical forests using machine learning algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Latent heat flux (LE) is a measure of the water exchange between Earth's surface and atmosphere, also known as evapotranspiration. It is a fundamental component in the Earth's energy budget and hydrological cycle and plays an important role in regulating the weather and climate. Moderate Resolution Imaging Spectroradiometer (MODIS) offers a gap‐filled biophysical product for LE at 8‐day temporal and 500‐meter spatial resolutions. Nonetheless, validation against the in situ eddy covariance measurement reveals significant errors in MODIS LE estimation. Our study integrates ground‐measured, reanalysis and satellite data to predict LE by leveraging the advantage of the data‐driven method. The study draws upon flux data derived from the AsiaFlux database, alongside reanalysis datasets from the Indian Monsoon Data Assimilation and Analysis (IMDAA) and the European Centre for Medium‐Range Weather Forecasts (ERA5) products, as well as biophysical measurements from the MODIS satellite. An analysis of the annual water budget, based on ERA5 precipitation data, highlights net positive water balances across the study sites. By harnessing diverse datasets, we employ various machine learning regression algorithms. We find the support vector regression superior to linear, lasso, random forest, adaptive boosting and gradient boosting algorithms. This study highlights the robustness of support vector regression and accentuates the impact of climatic and environmental conditions on model performance, ultimately contributing to more precise predictions of latent heat flux.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle