Spatiotemporal Distribution and Driving Factors of Forest Biomass Carbon Storage in China: 1977–2013
Notice bibliographique
Résumé
Increasing forest vegetation is important for carbon dynamics and to maintain the ecological and environmental balance in China. However, there is little understanding of how socioeconomic factors affect forest biomass carbon storage (FBCS). Here, we used continuous functions for biomass expansion factors and China’s seven completed forest inventories to estimate the changes in FBCS for 31 provinces in mainland China between 1977 and 2013. We developed a model that decomposes the contribution of the different socioeconomic factors driving FBCS. We found China’s FBCS increased from 4972 TgC (1 Tg = 1012g) in 1977–1981 to 7435 TgC in 2009–2013, with a mean growth of 77 TgC/a, and the average forest carbon density increased from 36.0 to 38.9Mg/ha (1 Mg = 106g), mainly due to the arbor forest contribution. Among the seven regions in China, the southwestern region currently accounts for the highest proportion (37.3%) of national FBCS, followed by northeastern (19.7%), northern (12.5%) and eastern region (10.8%). The main socio-economic factors affecting FBCS were forest land dependence, industrial structure and economic development level. Optimizing forest type and age structure, improving forest productivity, and strengthening forest management are feasible options to further increase China’s FBCS.
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 ».