Parameter optimization for global soil carbon simulations: Not a simple problem
Notice bibliographique
Résumé
The files provided here consist of the data, scripts and instructions required for reproducing the results presented in the manuscript Parameter optimization for global soil carbon simulations: Not a simple problem.Abstract from associated paper:Accurate simulation of soil organic carbon (SOC) dynamics by terrestrial biosphere models is hampered by poorly constrained parameters and parameter equifinality, amongst other issues. To address this, we use Bayesian optimization to constrain the 16 SOC-related parameters in the Canadian Land Surface Scheme Including biogeochemical Cycles (CLASSIC). We employed a global sensitivity analysis (Sobol') to develop four parameter sets based upon different sensitivity criteria. We then optimized each set against observed SOC (World Soil Information Service; WoSIS) and soil respiration (Soil Respiration Database; SRDB). Using two different loss functions; one focused on reproducing the observational mean value, and the other explicitly accounting for an estimated observational uncertainty. The best optimized parameter sets from each loss function had an average relative difference of 61%. Thus the choice of loss function impacts what parameter values are deemed optimal and should be considered carefully. The final selected optimal parameter set saw a 12% improvement against WoSIS and SRDB, had global SOC totals in line with literature estimates, and better simulated high-latitude SOC stocks evaluated against the Northern Circumpolar Soil Carbon Database (RMSD: 16.39 vs. 17.61; bias: -5.57 vs. -10.78 kg C m-2) compared to the default CLASSIC parameters. However, some parameters were not well constrained, in particular those of needle-leaf deciduous trees which dominate Siberian boreal forests, a region relatively poorly observed in WoSIS and SRDB. Future work should apply further constraints on the optimization framework and address observational gaps. For more details on CLASSIC and how to run the model see https://cccma.gitlab.io/classic_pages/.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».