Gap-filling eddy covariance methane fluxes: Comparison of machine learning model predictions and uncertainties at FLUXNET-CH4 wetlands - INSU - Institut national des sciences de l'Univers
Article Dans Une Revue Agricultural and Forest Meteorology Année : 2021

Gap-filling eddy covariance methane fluxes: Comparison of machine learning model predictions and uncertainties at FLUXNET-CH4 wetlands

Jeremy Irvin , Sharon Zhou , Gavin Mcnicol , Fred Lu , Vincent Liu , Etienne Fluet-Chouinard , Zutao Ouyang , Sara Helen Knox , Antje Lucas-Moffat , Carlo Trotta , Dario Papale , Domenico Vitale , Ivan Mammarella , Pavel Alekseychik , Mika Aurela , Anand Avati , Dennis Baldocchi , Sheel Bansal , Gil Bohrer , David Campbell , Jiquan Chen , Housen Chu , Higo Dalmagro , Kyle Delwiche , Ankur Desai , Eugenie Euskirchen , Sarah Feron , Mathias Goeckede , Martin Heimann , Manuel Helbig , Carole Helfter , Kyle Hemes , Takashi Hirano , Hiroki Iwata , Gerald Jurasinski , Aram Kalhori , Andrew Kondrich , Derrick Yf Lai , Annalea Lohila , Avni Malhotra , Lutz Merbold , Bhaskar Mitra , Andrew Ng , Mats Nilsson , Asko Noormets , Matthias Peichl , A. Camilo Rey-Sanchez , Andrew Richardson , Benjamin Rk Runkle , Karina Vr Schäfer , Oliver Sonnentag , Ellen Stuart-Haëntjens , Cove Sturtevant , Masahito Ueyama , Alex Valach , Rodrigo Vargas , George Vourlitis , Eric Ward , Guan Xhuan Wong , Donatella Zona , Ma. Carmelita R Alberto , David Billesbach , Gerardo Celis , Han Dolman , Thomas Friborg , Kathrin Fuchs , Sébastien Gogo (1, 2) , Mangaliso Gondwe , Jordan Goodrich , Pia Gottschalk , Lukas Hörtnagl , Adrien Jacotot (1, 2) , Franziska Koebsch , Kuno Kasak , Regine Maier , Timothy Morin , Eiko Nemitz , Walter Oechel , Patricia Oikawa , Keisuke Ono , Torsten Sachs , Ayaka Sakabe , Edward Schuur , Robert Shortt , Ryan Sullivan , Daphne Szutu , Eeva-Stiina Tuittila , Andrej Varlagin , Joeseph Verfaillie , Christian Wille , Lisamarie Windham-Myers , Benjamin Poulter , Robert Jackson
Jeremy Irvin
  • Fonction : Auteur
Sharon Zhou
  • Fonction : Auteur
Gavin Mcnicol
  • Fonction : Auteur
Fred Lu
  • Fonction : Auteur
Vincent Liu
  • Fonction : Auteur
Etienne Fluet-Chouinard
  • Fonction : Auteur
Zutao Ouyang
  • Fonction : Auteur
Sara Helen Knox
  • Fonction : Auteur
Antje Lucas-Moffat
  • Fonction : Auteur
Carlo Trotta
  • Fonction : Auteur
Dario Papale
Domenico Vitale
  • Fonction : Auteur
Ivan Mammarella
Pavel Alekseychik
  • Fonction : Auteur
Mika Aurela
Anand Avati
  • Fonction : Auteur
Dennis Baldocchi
Sheel Bansal
  • Fonction : Auteur
Gil Bohrer
  • Fonction : Auteur
David Campbell
  • Fonction : Auteur
Jiquan Chen
Housen Chu
Higo Dalmagro
  • Fonction : Auteur
Kyle Delwiche
  • Fonction : Auteur
Ankur Desai
  • Fonction : Auteur
Eugenie Euskirchen
Sarah Feron
  • Fonction : Auteur
Mathias Goeckede
  • Fonction : Auteur
Martin Heimann
  • Fonction : Auteur
Manuel Helbig
  • Fonction : Auteur
Carole Helfter
  • Fonction : Auteur
Kyle Hemes
  • Fonction : Auteur
Takashi Hirano
  • Fonction : Auteur
Hiroki Iwata
  • Fonction : Auteur
Gerald Jurasinski
  • Fonction : Auteur
Aram Kalhori
  • Fonction : Auteur
Andrew Kondrich
  • Fonction : Auteur
Derrick Yf Lai
  • Fonction : Auteur
Annalea Lohila
Avni Malhotra
  • Fonction : Auteur
Lutz Merbold
Bhaskar Mitra
  • Fonction : Auteur
Andrew Ng
  • Fonction : Auteur
Mats Nilsson
Asko Noormets
  • Fonction : Auteur
Matthias Peichl
A. Camilo Rey-Sanchez
  • Fonction : Auteur
Andrew Richardson
  • Fonction : Auteur
Benjamin Rk Runkle
  • Fonction : Auteur
Karina Vr Schäfer
  • Fonction : Auteur
Oliver Sonnentag
  • Fonction : Auteur
Ellen Stuart-Haëntjens
  • Fonction : Auteur
Cove Sturtevant
  • Fonction : Auteur
Masahito Ueyama
  • Fonction : Auteur
Alex Valach
  • Fonction : Auteur
Rodrigo Vargas
  • Fonction : Auteur
George Vourlitis
  • Fonction : Auteur
Eric Ward
  • Fonction : Auteur
Guan Xhuan Wong
  • Fonction : Auteur
Donatella Zona
  • Fonction : Auteur
Ma. Carmelita R Alberto
  • Fonction : Auteur
David Billesbach
  • Fonction : Auteur
Gerardo Celis
  • Fonction : Auteur
Han Dolman
  • Fonction : Auteur
Thomas Friborg
  • Fonction : Auteur
Kathrin Fuchs
  • Fonction : Auteur
Mangaliso Gondwe
  • Fonction : Auteur
Jordan Goodrich
  • Fonction : Auteur
Pia Gottschalk
  • Fonction : Auteur
Lukas Hörtnagl
  • Fonction : Auteur
Franziska Koebsch
  • Fonction : Auteur
Kuno Kasak
  • Fonction : Auteur
Regine Maier
  • Fonction : Auteur
Timothy Morin
  • Fonction : Auteur
Eiko Nemitz
  • Fonction : Auteur
Walter Oechel
  • Fonction : Auteur
Patricia Oikawa
  • Fonction : Auteur
Keisuke Ono
  • Fonction : Auteur
Torsten Sachs
Ayaka Sakabe
  • Fonction : Auteur
Edward Schuur
  • Fonction : Auteur
Robert Shortt
  • Fonction : Auteur
Ryan Sullivan
Daphne Szutu
  • Fonction : Auteur
Eeva-Stiina Tuittila
  • Fonction : Auteur
Andrej Varlagin
Joeseph Verfaillie
  • Fonction : Auteur
Christian Wille
  • Fonction : Auteur
Lisamarie Windham-Myers
  • Fonction : Auteur
Benjamin Poulter
Robert Jackson

Résumé

Time series of wetland methane fluxes measured by eddy covariance require gap-filling to estimate daily, seasonal, and annual emissions. Gap-filling methane fluxes is challenging because of high variability and complex responses to multiple drivers. To date, there is no widely established gap-filling standard for wetland methane fluxes, with regards both to the best model algorithms and predictors. This study synthesizes results of different gap-filling methods systematically applied at 17 wetland sites spanning boreal to tropical regions and including all major wetland classes and two rice paddies. Procedures are proposed for: 1) creating realistic artificial gap scenarios, 2) training and evaluating gap-filling models without overstating performance, and 3) predicting half-hourly methane fluxes and annual emissions with realistic uncertainty estimates. Performance is compared between a conventional method (marginal distribution sampling) and four machine learning algorithms. The conventional method achieved similar median performance as the machine learning models but was worse than the best machine learning models and relatively insensitive to predictor choices. Of the machine learning models, decision tree algorithms performed the best in cross-validation experiments, even with a baseline predictor set, and artificial neural networks showed comparable performance when using all predictors. Soil temperature was frequently the most important predictor whilst water table depth was important at sites with substantial water table fluctuations, highlighting the value of data on wetland soil conditions. Raw gap-filling uncertainties from the machine learning models were underestimated and we propose a method to calibrate uncertainties to observations. The python code for model development, evaluation, and uncertainty estimation is publicly available. This study outlines a modular and robust machine learning workflow and makes recommendations for, and evaluates an improved baseline of, methane gap-filling models that can be implemented in multi-site syntheses or standardized products from regional and global flux networks (e.g., FLUXNET).

Dates et versions

insu-03286676 , version 1 (15-07-2021)

Identifiants

Citer

Jeremy Irvin, Sharon Zhou, Gavin Mcnicol, Fred Lu, Vincent Liu, et al.. Gap-filling eddy covariance methane fluxes: Comparison of machine learning model predictions and uncertainties at FLUXNET-CH4 wetlands. Agricultural and Forest Meteorology, 2021, 308-309, pp.108528. ⟨10.1016/j.agrformet.2021.108528⟩. ⟨insu-03286676⟩
113 Consultations
0 Téléchargements

Altmetric

Partager

More