Key points are not available for this paper at this time.
Résumé Bien qu'étant un facteur clé du système climatique de la Terre, les flux d'énergie terre-atmosphère globaux sont mal contraints. Ici, nous utilisons le machine learning pour fusionner les mesures des flux d'énergie des tours de covariance d'eddy FLUXNET avec des données de télédétection et des données météorologiques afin d'estimer le rayonnement net global en grille, la chaleur latente et sensible ainsi que leurs incertitudes. La base de données FLUXCOM résultante comprend 147 produits dans deux configurations : (1) une résolution de 0,0833° utilisant des données de télédétection MODIS et (2) une résolution de 0,5° utilisant des données de télédétection et des données météorologiques. Dans chaque configuration, nous utilisons un design factoriel complet à travers les méthodes d'apprentissage automatique, les ensembles de données de forçage et les corrections de clôture de bilan énergétique. Pour les configurations RS et RS + METEO respectivement, nous estimons le rayonnement net global (±1 écart type) de 2001 à 2013 à 75,49 ± 1,39 W m −2 et 77,52 ± 2,43 W m −2, la chaleur sensible à 32,39 ± 4,17 W m −2 et 35,58 ± 4,75 W m −2, et le flux de chaleur latente à 39,14 ± 6,60 W m −2 et 39,49 ± 4,51 W m −2 (comme évapotranspiration, 75,6 ± 9,8 × 10 3 km 3 an −1 et 76 ± 6,8 × 10 3 km 3 an −1). Les produits FLUXCOM sont adaptés pour quantifier les interactions terre-atmosphère globales et pour référence des simulations de modèles de surface terrestre.
Jung et al. (Mon,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: