Evaluating dynamic global vegetation models in China: challenges in capturing trends in leaf area and gross primary productivity
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. Terrestrial ecosystems are crucial in mitigating global climate change, and dynamic global vegetation models (DGVMs) have become essential tools for simulating these ecosystems. However, uncertainties remain in DGVM simulations for China, highlighting the need for systematic evaluations of their dynamics across various timescales to enhance model performance. As such, we utilize reprocessed monthly MODIS leaf area index (LAI) and contiguous solar-induced fluorescence (CSIF) data as observational references to assess the long-term trends and seasonal variations of LAI and gross primary production (GPP) simulated by 14 models (CABLE-POP, CLASSIC, CLM5.0, DLEM, IBIS, ISAM, ISBA-CTRIP, JULES, LPJ-GUESS, LPX, OCN, ORCHIDEEv3, SDGVM, and VISIT) in China from 2003 to 2019. Additionally, we evaluate the trends and seasonal variations of simulated LAI and GPP in response to environmental and climatic factors. Our findings indicate the following. (1) While the overall trend of simulated LAI is captured, the spatial performance of simulated LAI and GPP is poor, with underestimation in forested areas, overestimation in grasslands, and misestimation in croplands. (2) The models misestimate the simulated LAI and GPP responses to changes in environmental factors, as well as their inaccuracy in capturing anthropogenic impacts on vegetation dynamics. We indicate that the main reason for the model's misestimation is that the model's representation of the CO2 fertilization effect is inadequate and thus fails to simulate the vegetation response to CO2 concentration. (3) Despite these issues, the models can effectively capture the seasonality of LAI and GPP in China, largely due to their robust representation of seasonal responses to climate factors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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