The relative importance of climate, stand variables and liana abundance for carbon storage in tropical forests
Notice bibliographique
Résumé
Abstract Aim To develop an integrative framework to evaluate variation in aboveground carbon storage ( AGC ). A model that can be applied to understand and predict how global‐change drivers influence tropical carbon sinks. Location Old‐growth tropical forests world‐wide. Methods Using structural equation modelling ( SEM ), we propose an a priori model to evaluate the direct and indirect effects of climate, stand variables (basal area, tree diameter and wood density at plot level) and liana abundance on AGC . Our model indicated that stand variables increased AGC while liana abundance decreased AGC indirectly via negative effects on stand variables. We used a multigroup SEM to test the generality of our framework using a standardized dataset of 145 plots (0.1 ha) in dry, moist and wet tropical forests. Results Our model explained over 85% variation in AGC and showed a positive and consistent relationship between stand variables and AGC across forests types. The effects of climate on AGC were indirect rather than direct, with negative effects of temperature in all forests. Liana abundance reduced tree diameter and basal area in moist forests, but did not affect AGC in wet or dry forests. Main conclusions Our results suggest that climate affects AGC indirectly, via its direct influence on stand variables and liana abundance. The effects of lianas on AGC result from reductions in stand variables and are as important as climate for moist forests, which harbour the greatest tropical carbon pools. Our model was consistent across forest types. This highlights the usefulness of an integrative framework to improve predictions of the effects of drivers of global change on tropical carbon sinks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».