Machine learning for accelerating process-based computation of land biogeochemical cycles.

Sun, Yan; Goll, Daniel S; Huang, Yuanyuan; Ciais, Philippe; Wang, Ying-Ping; Bastrikov, Vladislav; Wang, Yilong

Sun, Yan; Goll, Daniel S; Huang, Yuanyuan; Ciais, Philippe; Wang, Ying-Ping; Bastrikov, Vladislav; Wang, Yilong.

Afiliación

Sun Y; College of Marine Life Sciences, Ocean University of China, Qingdao, China.
Goll DS; Laboratoire des Sciences du Climat et de 1'Environnement, CEA-CNRS-UVSQ, Gif sur Yvette, France.
Huang Y; Laboratoire des Sciences du Climat et de 1'Environnement, CEA-CNRS-UVSQ, Gif sur Yvette, France.
Ciais P; CSIRO Environment, Aspendale, Australia.
Wang YP; Laboratoire des Sciences du Climat et de 1'Environnement, CEA-CNRS-UVSQ, Gif sur Yvette, France.
Bastrikov V; CSIRO Environment, Aspendale, Australia.
Wang Y; Science Partners, Paris, France.

Glob Chang Biol ; 29(11): 3221-3234, 2023 06.

Article en En | MEDLINE | ID: mdl-36762511

Asunto(s)

Ecosistema; Modelos Teóricos; Carbono; Nitrógeno; Ciclo del Carbono

Palabras clave

biogeochemical cycles; computational demand; hybrid modeling; machine learning; terrestrial biosphere model

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google

Texto completo: 1 Colección: 01-internacional Banco de datos: MEDLINE Asunto principal: Ecosistema / Modelos Teóricos Tipo de estudio: Prognostic_studies Idioma: En Revista: Glob Chang Biol Año: 2023 Tipo del documento: Article País de afiliación: China

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google