Research Progress on Estimation Methods of Forest Evapotranspiration Based on Bibliometrics
Notice bibliographique
Résumé
Forest evapotranspiration (ET), a core process of water vapor exchange between forest ecosystems and the atmosphere, is crucial for global carbon and water cycles and ecosystem stability. However, its high-precision estimation faces challenges arising from complex forest structures and multi-factor driving mechanisms. Based on bibliometrics, this study visually analyzed 1,427 relevant papers from the Web of Science Core Collection (2005-2025) to summarize research status, hotspots and frontiers. Results show continuous growth in publications over two decades, peaking during 2017-2022. Journal co-occurrence reveals that Agricultural and Forest Meteorology ranks first, contributing 212 papers and 10,438 total citations with an average of 49.24 cites per article. The Chinese Academy of Sciences, University of CAS and USDA form a close collaboration network led by 279 core authors. Hotspots concentrate on eddy covariance (460 occurrences), remote sensing inversion (134) and machine learning (124, rapidly rising since 2017). Eddy covariance remains the “gold standard”; remote sensing breaks spatiotemporal limits by integrating multi-source data; machine learning, exhibiting the greatest advances, improves accuracy by 45% in complex environments (burst intensity 17.91 since 2017), promoting hybrid “physical mechanism + data-driven” models. Research evolved through three stages: traditional observation dominance (2005-2010), physical model optimization (2010-2016), and intelligent algorithm innovation (2017-present), with applications spanning ecological assessment and water resource management.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,054 | 0,061 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».