Modelled net carbon gain responses to climate change in boreal trees: Impacts of photosynthetic parameter selection and acclimation
Notice bibliographique
Résumé
Abstract Boreal forests are crucial in regulating global vegetation‐atmosphere feedbacks, but the impact of climate change on boreal tree carbon fluxes is still unclear. Given the sensitivity of global vegetation models to photosynthetic and respiration parameters, we determined how predictions of net carbon gain (C‐gain) respond to variation in these parameters using a stand‐level model (MAESTRA). We also modelled how thermal acclimation of photosynthetic and respiratory temperature sensitivity alters predicted net C‐gain responses to climate change. We modelled net C‐gain of seven common boreal tree species under eight climate scenarios across a latitudinal gradient to capture a range of seasonal temperature conditions. Physiological parameter values were taken from the literature together with different approaches for thermally acclimating photosynthesis and respiration. At high latitudes, net C‐gain was stimulated up to 400% by elevated temperatures and CO2 in the autumn but suppressed at the lowest latitudes during midsummer under climate scenarios that included warming. Modelled net C‐gain was more sensitive to photosynthetic capacity parameters (Vcmax, Jmax, Arrhenius temperature response parameters, and the ratio of Jmax to Vcmax) than stomatal conductance or respiration parameters. The effect of photosynthetic thermal acclimation depended on the temperatures where it was applied: acclimation reduced net C‐gain by 10%–15% within the temperature range where the equations were derived but decreased net C‐gain by 175% at temperatures outside this range. Thermal acclimation of respiration had small, but positive, impacts on net C‐gain. We show that model simulations are highly sensitive to variation in photosynthetic parameters and highlight the need to better understand the mechanisms and drivers underlying this variability (e.g., whether variability is environmentally and/or biologically driven) for further model improvement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».