Carbon storage, net primary production, and net ecosystem production in four major temperate forest types in northeastern China
Notice bibliographique
Résumé
Temperate forests in northeastern China play a key role in the national carbon (C) budget; however, this role has been poorly quantified. The objective of this study was to quantify C storage, net primary production (NPP), and net ecosystem production (NEP) in four major temperate forest types in northeastern China. The four forest types include a primary mixed broadleaf – Korean pine (Pinus koraiensis Siebold & Zucc.) old-growth forest and three mid-aged regenerating forests, i.e., a secondary birch (Betula platyphylla Sukaczev) forest, a Korean pine plantation, and a Dahurian larch (Larix gmelinii (Rupr.) Rupr.) plantation. Total C storage differed significantly among the four forest types, with the highest storage (315.4 t C·ha −1 ) in the old-growth forest. Soil organic C accounted for 55%–70% of the ecosystem C, whereas vegetation C accounted for 28%–43% of the ecosystem C. Soil organic C storage in the two plantations was significantly lower than that in old-growth and secondary birch forests. The allocation (aboveground and belowground) of NPP, but not the total NPP, differed significantly among the forest types. Litterfall (44%–60%) and fine root production (43%–47%) contributed the largest proportion of the aboveground and belowground NPP, respectively. The highest NEP was in the Korean pine plantation (328.0 g C·m −2 ·year −1 ), followed by the old-growth (311.9 g C·m −2 ·year −1 ) and secondary birch (231.1 g C·m −2 ·year −1 ) forests, with the lowest NEP in the Dahurian larch plantation (187.9 g C·m −2 ·year −1 ). These results suggest that the major forest types are currently C sinks and Korean pine plantation establishment can be a promising approach for increasing C sequestration in northeastern China.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».