Assessing Global Vegetation–Climate Feedbacks from Observations*
Notice bibliographique
Résumé
Abstract The feedback between global vegetation greenness and surface air temperature and precipitation is assessed using remote sensing observations of monthly fraction of photosynthetically active radiation (FPAR) for 1982 to 2000 with a 2.5° grid resolution. Lead/lag correlations are used to infer vegetation–climate interactions. Furthermore, a statistical method is used to quantify the efficiency of vegetation feedback on climate in the observations. This feedback analysis provides a first quantitative assessment of global vegetation feedback on climate. In northern mid- and high latitudes, vegetation variability is found to be driven predominantly by temperature; in the meantime, vegetation also exerts a strong positive feedback on temperature with the feedback accounting for over 10%–25% of the total monthly temperature variance. The strongest positive feedback occurs in the boreal regions of southern Canada/northern United States, northern Europe, and southern Siberia, where the feedback efficiency exceeds 1°C (0.1 FPAR)−1. Over most of the Tropics and subtropics (outside the equatorial rain belt), vegetation is driven primarily by precipitation. However, little vegetation feedback is found on local precipitation when averaged year-round, with the feedback explained variance usually accounting for less than 5% of the total precipitation variance. Nevertheless, in a few isolated small regions such as Northeast Brazil, East Africa, East Asia, and northern Australia, there appears to be some positive vegetation feedback on local precipitation, with the feedback efficiency over 1 cm month−1 (0.1 FPAR)−1. Further studies suggest a significant seasonal variation of the vegetation feedback in some regions. A preliminary analysis also seems to suggest an enhanced intensity of the vegetation feedback, especially on precipitation, at longer time scales and over a larger grid box area. Limitations and implications of the assessment of vegetation feedback are also discussed. The assessed vegetation feedback is shown to be valuable for the evaluation of vegetation–climate feedback in coupled climate–vegetation models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».