Large‐Scale Landscape Drivers of CO<sub>2</sub>, CH<sub>4</sub>, DOC, and DIC in Boreal River Networks
Notice bibliographique
Résumé
The boreal biome is characterized by extremely dense and complex fluvial networks that are closely coupled to land. Reconstructing the role that these fluvial networks play in regional carbon (C) budgets requires identifying landscape and environmental drivers of riverine C that operate at the whole network scale and that can be applied across landscapes. Here we explore drivers of CO 2 , CH 4 , and dissolved organic (DOC) and inorganic C (DIC) across 190 streams and rivers spanning 8 Strahler orders over an area of 500,000 km 2 of heterogeneous boreal landscape in Québec, focusing on those drivers that can be readily obtained from remote sensing data. Each C species (except DIC) could be modeled as a function of a proximal network‐scale property, such as flow distance or elevation, but adding regional structure to these models greatly improved predictions. These modeled regional effects were similar for DOC, CO 2 , and CH 4 and were strongly related to average regional soil organic content and especially to NPP, the latter integrating regional differences in climate and other environmental factors. These results suggest that there may be regional C baselines determined by a combination of landscape and climate features, which simultaneously influence the average CO 2 , DOC, and CH 4 within fluvial networks, albeit through different underlying mechanisms and with varying degrees of influence on each C species. The latter two C species appear to be more sensitive to regional differences in soil, NPP, and climate than CO 2 or DIC, and therefore more likely to shift under future scenarios of change in northern 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 | 0,000 | 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 | 0,001 |
| 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 ».