Addressing Challenges in Simulating Inter–Annual Variability of Gross Primary Production
Notice bibliographique
Résumé
Abstract A long‐standing challenge in studying the global carbon cycle has been understanding the factors controlling inter–annual variation (IAV) of carbon fluxes, and improving their representations in existing biogeochemical models. Here, we compared an optimality‐based model and a semi‐empirical light use efficiency model to understand how current models can be improved to simulate IAV of gross primary production (GPP). Both models simulated hourly GPP and were parameterized for (a) each site–year, (b) each site with an additional constraint on IAV (), (c) each site, (d) each plant–functional type, and (e) globally. This was followed by forward runs using calibrated parameters, and model evaluations using Nash–Sutcliffe efficiency (NSE) as a model‐fitness measure at different temporal scales across 198 eddy‐covariance sites representing diverse climate–vegetation types. Both models simulated hourly GPP better (median normalized NSE: 0.83 and 0.85) than annual GPP (median normalized NSE: 0.54 and 0.63) for most sites. Specifically, the optimality‐based model substantially improved from NSE of −1.39 to 0.92 when drought stress was explicitly included. Most of the variability in model performances was due to model types and parameterization strategies. The semi‐empirical model produced statistically better hourly simulations than the optimality‐based model, and site–year parameterization yielded better annual model performance. Annual model performance did not improve even when parameterized using . Furthermore, both models underestimated the peaks of diurnal GPP, suggesting that improving predictions of peaks could produce better annual model performance. Our findings reveal current modeling deficiencies in representing IAV of carbon fluxes and guide improvements in further model development.
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 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 | 0,002 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».