Terrestrial gross primary production inferred from satellite fluorescence and vegetation models
Notice bibliographique
Résumé
Determining the spatial and temporal distribution of terrestrial gross primary production (GPP) is a critical step in closing the Earth's carbon budget. Dynamical global vegetation models (DGVMs) provide mechanistic insight into GPP variability but diverge in predicting the response to climate in poorly investigated regions. Recent advances in the remote sensing of solar-induced chlorophyll fluorescence (SIF) opens up a new possibility to provide direct global observational constraints for GPP. Here, we apply an optimal estimation approach to infer the global distribution of GPP from an ensemble of eight DGVMs constrained by global measurements of SIF from the Greenhouse Gases Observing SATellite (GOSAT). These estimates are compared to flux tower data in N. America, Europe, and tropical S. America, with careful consideration of scale differences between models, GOSAT, and flux towers. Assimilation of GOSAT SIF with DGVMs causes a redistribution of global productivity from northern latitudes to the tropics of 7-8 Pg C yr(-1) from 2010 to 2012, with reduced GPP in northern forests (~3.6 Pg C yr(-1) ) and enhanced GPP in tropical forests (~3.7 Pg C yr(-1) ). This leads to improvements in the structure of the seasonal cycle, including earlier dry season GPP loss and enhanced peak-to-trough GPP in tropical forests within the Amazon Basin and reduced growing season length in northern croplands and deciduous forests. Uncertainty in predicted GPP (estimated from the spread of DGVMs) is reduced by 40-70% during peak productivity suggesting the assimilation of GOSAT SIF with models is well-suited for benchmarking. We conclude that satellite fluorescence augurs a new opportunity to quantify the GPP response to climate drivers and the potential to constrain predictions of carbon cycle evolution.
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 | 0,000 |
| 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 ».