DOI: https://doi.org/10.5194/bg-21-2447-2024
تاريخ النشر: 2024-05-24
المؤلف: Max Gaber وآخرون
الموضوع الرئيسي: تطبيقات نظرية الأنظمة الرمادية
نظرة عامة
تبحث هذه الدراسة في تطبيق أطر التعلم الآلي الآلي (AutoML) لتعزيز تقدير الإنتاجية الأولية الإجمالية (GPP) من القياسات في الموقع. استخدمت الدراسة أربعة أطر—Auto-sklearn وH2O AutoML وAutoGluon ونموذج غابة عشوائية أساسي—عبر 243 موقعًا موزعًا عالميًا لقياسات التباين الدوامي. تشير النتائج إلى أن هذه الأطر يمكن أن تفسر حوالي 70%-75% من تباين GPP الشهري، حيث أظهرت Auto-sklearn ميزة طفيفة ولكنها مهمة في الأداء التنبؤي. يُعزى هذا التحسن إلى قدرتها على إنشاء مجموعات من النماذج الأساسية وخوارزميات المعالجة المسبقة، التي تفوقت على النماذج الفردية، خاصة عند استخدام مجموعة من المتغيرات التفسيرية من الاستشعار عن بعد (RS).
تسلط الدراسة الضوء على أنه بينما يؤثر اختيار إطار AutoML بشكل طفيف على أداء توقع GPP، فإن دمج مجموعة متنوعة من المؤشرات RS، مثل الفلورسنت الناتج عن الشمس ومؤشر مساحة الأوراق، يعزز بشكل كبير دقة النموذج. كما تشير الدراسة إلى أن العوامل الجوية كان لها تأثير محدود على توقعات GPP، وأن دقة صور الأقمار الصناعية كانت حاسمة لجودة التنبؤ. في النهاية، تم استخدام أفضل إطار AutoML أداءً لإنشاء خرائط GPP العالمية، التي تتماشى بشكل جيد مع بيانات المرجع المستمدة من الأقمار الصناعية ولكنها أظهرت انحيازات في مناطق GPP المنخفضة. يستنتج المؤلفون أنه بينما يظهر AutoML وعدًا في تقدير GPP، إلا أنه لا يتفوق بشكل كبير على طرق التعلم الآلي التقليدية، مما يبرز الحاجة إلى تفسير دقيق والتحقق من النتائج في السياقات البيئية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية الإنتاجية الأولية الإجمالية الأرضية (GPP) كعنصر حاسم في دورة الكربون العالمية، تؤثر على كل من وظائف النظام البيئي ومستويات CO₂ في الغلاف الجوي. يعد التقدير الدقيق لـ GPP أمرًا ضروريًا لفهم دورة الكربون وصياغة استراتيجيات تغير المناخ. بينما توفر القياسات في الموقع من طرق مثل تقنية التباين الدوامي بيانات قيمة، إلا أنها محدودة في التغطية المكانية، مما يستلزم استخدام أساليب مدفوعة بالبيانات، وخاصة التعلم الآلي (ML)، لاستقراء تقديرات GPP عالميًا. تم استخدام نماذج ML متنوعة، بما في ذلك الطرق المعتمدة على الأشجار والشبكات العصبية الاصطناعية، ومع ذلك لا تزال هناك شكوك بشأن اختيار الميزات وأداء النموذج، خاصة في توقع التباين بين السنوات.
تؤكد الورقة على الحاجة إلى إطار موحد للتعلم الآلي يدمج بشكل مثالي اختيار النموذج والمعلمات لتقييم أهمية المتغيرات التفسيرية المختلفة، مثل مؤشرات الغطاء النباتي والبيانات الجوية، في توقعات GPP. يُقترح التعلم الآلي الآلي (AutoML) كحل لتبسيط هذه العملية من خلال تقييم تكوينات النموذج المختلفة بشكل مستقل. تهدف الدراسة إلى استكشاف فعالية ثلاثة أطر AutoML—Auto-sklearn وH2O AutoML وAutoGluon—في تعزيز توسيع GPP العالمي من القياسات في الموقع. ستقوم بتقييم أهمية المتغيرات لعوامل البيئة المختلفة وتأثير دقة بيانات الاستشعار عن بعد على تقدير GPP، مما يؤدي في النهاية إلى إنتاج خرائط GPP العالمية وتحليل أنماطها المكانية الزمنية وعدم اليقين.
طرق
في هذه الدراسة، قام المؤلفون بإجراء تصميم تجريبي لتقييم أداء ثلاثة أطر AutoML باستخدام ثلاث مجموعات متميزة من المتغيرات التفسيرية. لتأسيس قاعدة للمقارنة، قاموا أيضًا بتدريب نموذج غابة عشوائية كلاسيكي باستخدام نهج البحث العشوائي. بعد ذلك، استخدم الباحثون Auto-sklearn، مستفيدين من أفضل مجموعة أداء من المتغيرات التفسيرية، لتوسيع قياسات الإنتاجية الأولية الإجمالية (GPP) من التباين الدوامي إلى خرائط شاملة عالمية من الحائط إلى الحائط، كما هو موضح في الشكل 3. تسلط هذه المنهجية الضوء على فعالية AutoML في تعزيز التمثيل المكاني للبيانات البيئية.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط واضح بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
علاوة على ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، مع حجم تأثير تم حسابه عند 0.8، مما يشير إلى تأثير كبير. تمثل الرسوم البيانية، مثل الأشكال والجداول، هذه النتائج، مما يوفر ملخصًا بصريًا لاتجاهات البيانات ويدعم الاستنتاجات المستخلصة من التحليل. بشكل عام، تدعم النتائج الفرضية وتساهم في الجسم المعرفي القائم في هذا المجال.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج المتعلقة باستخدام قياسات التباين الدوامي لتقدير الإنتاجية الأولية الإجمالية (GPP) عبر نظم بيئية متنوعة. قاموا بدمج مجموعات بيانات من FLUXNET وAmeriFlux وICOS، مما أدى إلى مجموعة بيانات شاملة تضم 243 موقعًا و18,218 شهر موقع من 2001 إلى 2020. شملت المعالجة المسبقة مراقبة الجودة وتطبيق نهج تقسيم ليلي لاستنتاج GPP من قياسات تبادل النظام البيئي الصافي (NEE)، مما أدى إلى مجموعة بيانات تعكس انحيازات إقليمية وبيئية ومناخية كبيرة. كما أعاد المؤلفون تنظيم فئات الغطاء الأرضي لتعزيز تمثيل البيانات.
لتحسين توقعات GPP، استخدم المؤلفون مجموعة متنوعة من المتغيرات التفسيرية المستشعرة عن بعد والمودلة، بما في ذلك تلك المستمدة من بيانات MODIS، والبيانات الجوية من ERA5-Land، وعوامل بيئية أخرى ذات صلة. استخدموا أطر التعلم الآلي الآلي (AutoML)—Auto-sklearn وH2O AutoML وAutoGluon—لتقييم تأثير مجموعات المتغيرات المختلفة على توقعات GPP. أظهرت النتائج أن Auto-sklearn تفوقت على الأطر الأخرى في تفسير تباين GPP، خاصة عند استخدام مجموعة شاملة من المتغيرات التفسيرية. تسلط الدراسة الضوء على أهمية اختيار المتغيرات المناسبة، حيث إن تضمين الفلورسنت الناتج عن الشمس (SIF) ومؤشر مساحة الأوراق (LAI) والإشعاع النشط ضوئيًا (PAR) يعزز بشكل كبير أداء النموذج. أكدت التحليلات الإحصائية وجود اختلافات كبيرة في الأداء بين الأطر، مما يبرز الدور الحاسم لاختيار المتغيرات في تحسين دقة تقدير GPP.
DOI: https://doi.org/10.5194/bg-21-2447-2024
Publication Date: 2024-05-24
Author(s): Max Gaber et al.
Primary Topic: Grey System Theory Applications
Overview
This research investigates the application of automated machine learning (AutoML) frameworks for enhancing the estimation of gross primary productivity (GPP) from in situ measurements. The study utilized four frameworks—Auto-sklearn, H2O AutoML, AutoGluon, and a baseline random forest model—across 243 globally distributed eddy covariance sites. The findings indicate that these AutoML frameworks can explain approximately 70%-75% of the monthly GPP variability, with Auto-sklearn demonstrating a slight but significant advantage in predictive performance. This improvement is attributed to its ability to create ensembles of base models and preprocessing algorithms, which outperformed individual models, particularly when using a combination of remote sensing (RS) explanatory variables.
The research highlights that while the choice of AutoML framework has a minor impact on GPP prediction performance, the integration of various RS proxies, such as solar-induced fluorescence and leaf area index, significantly enhances model accuracy. The study also notes that meteorological factors had a limited effect on GPP predictions, and the resolution of satellite imagery was crucial for prediction quality. Ultimately, the best-performing AutoML framework was employed to generate global GPP maps, which aligned well with satellite-derived reference data but exhibited biases in low-GPP regions. The authors conclude that while AutoML shows promise for GPP estimation, it does not substantially outperform traditional machine learning methods, emphasizing the need for careful interpretation and validation of results in ecological contexts.
Introduction
The introduction of this research paper highlights the significance of terrestrial gross primary productivity (GPP) as a crucial component of the global carbon cycle, influencing both ecosystem functions and atmospheric CO₂ levels. Accurate estimation of GPP is essential for understanding carbon cycling and formulating climate change strategies. While in situ measurements from methods like the eddy covariance technique provide valuable data, they are limited in spatial coverage, necessitating the use of data-driven approaches, particularly machine learning (ML), to extrapolate GPP estimates globally. Various ML models, including tree-based methods and artificial neural networks, have been employed, yet uncertainties persist regarding feature selection and model performance, particularly in predicting interannual variability.
The paper emphasizes the need for a unified ML framework that optimally integrates model choice and parameterization to assess the importance of various explanatory variables, such as vegetation indices and meteorological data, in GPP predictions. Automated machine learning (AutoML) is proposed as a solution to streamline this process by autonomously evaluating different model configurations. The study aims to explore the efficacy of three AutoML frameworks—Auto-sklearn, H2O AutoML, and AutoGluon—in enhancing global GPP upscaling from in situ measurements. It will assess the variable importance of various environmental factors and the impact of remote sensing data resolution on GPP estimation, ultimately producing global GPP maps and analyzing their spatiotemporal patterns and uncertainties.
Methods
In this study, the authors conducted an experimental design to assess the performance of three AutoML frameworks using three distinct sets of explanatory variables. To establish a baseline for comparison, they also trained a classical random forest model utilizing a randomized search approach. Following this, the researchers employed Auto-sklearn, leveraging the best-performing set of explanatory variables, to upscale in situ eddy covariance Gross Primary Production (GPP) measurements into comprehensive global wall-to-wall maps, as illustrated in Figure 3. This methodology highlights the effectiveness of AutoML in enhancing the spatial representation of ecological data.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Furthermore, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, with an effect size calculated at 0.8, indicating a large effect. Graphical representations, such as figures and tables, illustrate these findings, providing a visual summary of the data trends and supporting the conclusions drawn from the analysis. Overall, the results substantiate the hypothesis and contribute to the existing body of knowledge in the field.
Discussion
In this section, the authors discuss the methodology and findings related to the use of eddy covariance measurements for estimating gross primary productivity (GPP) across various ecosystems. They integrated datasets from FLUXNET, AmeriFlux, and ICOS, resulting in a comprehensive dataset comprising 243 sites and 18,218 site months from 2001 to 2020. The preprocessing involved quality control and the application of a nighttime partitioning approach to derive GPP from net ecosystem exchange (NEE) measurements, leading to a dataset that reflects significant regional, biome, and climate biases. The authors also reorganized land cover classes to enhance data representation.
To enhance GPP predictions, the authors employed a variety of remotely sensed and modeled explanatory variables, including those derived from MODIS data, meteorological data from ERA5-Land, and other relevant environmental factors. They utilized automated machine learning (AutoML) frameworks—Auto-sklearn, H2O AutoML, and AutoGluon—to evaluate the impact of different variable sets on GPP predictions. The results indicated that Auto-sklearn outperformed the other frameworks in explaining GPP variability, particularly when using a comprehensive set of explanatory variables. The study highlights the importance of selecting appropriate variables, with the inclusion of solar-induced fluorescence (SIF), leaf area index (LAI), and photosynthetically active radiation (PAR) significantly enhancing model performance. Statistical analyses confirmed significant differences in performance among the frameworks, emphasizing the critical role of variable selection in improving GPP estimation accuracy.