A Machine Learning Approach for Filling Long Gaps in Eddy Covariance Time Series Data in a Tropical Dry Forest
Notice bibliographique
Résumé
Abstract Long‐term eddy covariance (EC) data are crucial for understanding the impact of global change on ecosystem functions. However, EC data often contain long gaps, particularly in tropical dry forests (TDF) due to seasonality and El Niño‐Southern Oscillation (ENSO) phases. These factors create high variability, complex dependencies, and dynamic flux footprints. No current gap‐filling method adequately addresses long gaps in TDFs. This study introduces a novel framework for addressing this issue by (a) defining gap sizes by their relative percentages, (b) training, tuning, and evaluating two machine learning (ML) models: MissForest for short gaps and Prophet for intermediate and long gaps, and (c) predicting half‐hourly EC data from 2013 to 2022 for six EC variables, where actual gap data sets ranged from 26.6% to 28.4%, at TDF in Costa Rica. Results indicate that MissForest excelled at filling short gaps (≤5%, R 2 = 0.76 and Nash‐Sutcliffe efficiency (NSE) = 0.71), while Prophet performed exceptionally well for gaps between 5% and 10% ( R 2 = 0.72 and NSE = 0.67). However, both models struggled with gaps between 10% and 13%. Validation showed R 2 values of 0.79, 0.88, and 0.77 for CO₂ flux, sensible heat flux, and latent heat flux, respectively, with corresponding NSE values of 0.78, 0.86, and 0.72, and normalized root mean squared error (NRMSE) around 2E‐4. Additionally, to validate our results, we applied our approach at three EC sites with different ecological conditions, demonstrating robust performance. This study presents a reliable ML approach for imputing long gaps in EC data, which can be applied to sites with strong variability.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».