Mathematical Modelling of Arctic Polygonal Tundra with <i>Ecosys:</i> 2. Microtopography Determines How CO<sub>2</sub> and CH<sub>4</sub> Exchange Responds to Changes in Temperature and Precipitation
Notice bibliographique
Résumé
Abstract Differences of surface elevation in arctic polygonal landforms cause spatial variation in soil water contents ( θ ), active layer depths (ALD), and thereby in CO 2 and CH 4 exchange. Here we test hypotheses in ecosys for topographic controls on CO 2 and CH 4 exchange in trough, rim, and center features of low‐ and flat‐centered polygons (LCP and FCP) against chamber and eddy covariance (EC) measurements during 2013 at Barrow, Alaska. Larger CO 2 influxes and CH 4 effluxes were measured with chambers and modeled with ecosys in LCPs than in FCPs and in lower features (troughs) than in higher (rims) within LCPs and FCPs. Spatially aggregated CO 2 and CH 4 fluxes from ecosys were significantly correlated with EC flux measurements. Lower features were modeled as C sinks (52–56 g C m −2 yr −1 ) and CH 4 sources (4–6 g C m −2 yr −1 ), and higher features as near C neutral (−2–15 g C m −2 yr −1 ) and CH 4 neutral (0.0–0.1 g C m −2 yr −1 ). Much of the spatial and temporal variations in CO 2 and CH 4 fluxes were modeled from topographic effects on water and snow movement and thereby on θ , ALD, and soil O 2 concentrations. Model results forced with meteorological data from 1981 to 2015 indicated increasing net primary productivity in higher features and CH 4 emissions in some lower and higher features since 2008, attributed mostly to recent rises in precipitation. Small‐scale variation in surface elevation causes large spatial variation of greenhouse gas (GHG) exchanges and therefore should be considered in estimates of GHG exchange in polygonal landscapes.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».