Physically-constrained evapotranspiration models with machine learning parameterization outperform pure machine learning: Critical role of domain knowledge
Notice bibliographique
Résumé
Physics-informed machine learning techniques have emerged to tackle challenges inherent in pure machine learning (ML) approaches. One such technique, the hybrid approach, has been introduced to estimate terrestrial evapotranspiration (ET), a crucial variable linking water, energy, and carbon cycles. A key advantage of these hybrid ET models is their improved performance, particularly under extreme conditions, compared to ET estimates relying solely on ML. However, the mechanisms driving their improved performance are not well understood. To address this gap, we developed six hybrid approaches based on different physical formulations of ET and compared them with a pure ML model. All models employed the random forest algorithm and were trained on daily-scale ET observations, in-situ meteorological data and satellite remote sensing. We found a strong correlation (r = 0.93) between the sensitivity of ET estimates to machine-learned parameters and model error (root-mean-square error; RMSE), indicating that reduced sensitivity minimizes error propagation and improves performance. Notably, the most accurate hybrid model (RMSE = 17.8 W m-2 in energy unit) utilized a novel empirical parameter, which is relatively stable due to land-atmosphere equilibrium, outperforming both the pure ML model and hybrid models requiring conventional parameters (e.g., surface conductance). These results imply that conventional parameterizations may require reevaluated to effectively integrate physical models with machine learning, as conventional choices may not be optimal for this new, hybrid, paradigm. This study underscores the critical role of domain knowledge in setting up hybrid models, potentially guiding future hybrid model developments beyond ET estimation.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 ».