Regional contribution of CO<sub>2</sub> and CH<sub>4</sub> fluxes from the fluvial network in a lowland boreal landscape of Québec
Notice bibliographique
Résumé
Abstract Boreal rivers and streams are known as hot spots of CO 2 emissions, yet their contribution to CH 4 emissions has traditionally been assumed to be negligible, due to the spatially fragmented data and lack of regional studies addressing both gases simultaneously. Here we explore the regional patterns in river CO 2 and CH 4 concentrations ( p CO 2 and p CH 4 ), gas exchange coefficient ( k ), and the resulting emissions in a lowland boreal region of Northern Québec. Rivers and streams were systematically supersaturated in both gases, with both p CO 2 and p CH 4 declining along the river continuum. The k was on average low and increased with stream order, consistent with the hydrology of this flat landscape. The smallest streams (order 1), which represent < 20% of the total river surface, contributed over 35% of the total fluvial greenhouse gas (GHG) emissions. The end of winter and the spring thaw periods, which are rarely included in annual emission budgets, contributed on average 21% of the annual GHG emissions. As a whole, the fluvial network acted as significant source of both CO 2 and CH 4 , releasing on average 1.5 tons of C (CO 2 eq) yr −1 km −2 of landscape, of which CH 4 emissions contributed approximately 34%. We estimate that fluvial CH 4 emissions represent 41% of the regional aquatic (lakes, reservoirs, and rivers) CH 4 emissions, despite the relatively small riverine surface (4.3% of the total aquatic surface). We conclude that these fluvial networks in boreal lowlands play a disproportionately large role as hot spots for CO 2 and more unexpectedly for CH 4 emissions.
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 ».