Trait-Based Climate Change Predictions of Vegetation Sensitivity and Distribution in China
Notice bibliographique
Résumé
Dynamic global vegetation models (DGVMs) suffer insufficiencies in tracking biochemical cycles and ecosystem fluxes. One important reason for these insufficiencies is that DGVMs use fixed parameters (mostly traits) to distinguish attributes and functions of plant functional types (PFTs); however, these traits vary under different climatic conditions. Therefore, it is urgent to quantify trait covariations, including those among specific leaf area (SLA), area-based leaf nitrogen (Narea) and leaf area index (LAI) (in 580 species across 218 sites in this study), and explore new classification methods that can be applied to model vegetation dynamics under future climate change scenarios. We use a redundancy analysis (RDA) to derive trait-climate relationships and employ a Gaussian mixture model (GMM) to project vegetation distributions under different climate scenarios. The results show that (1) the three climatic variables, mean annual temperature (MAT), mean annual precipitation (MAP) and monthly photosynthetically active radiation (mPAR) could capture 65% of the covariations of three functional traits; (2) tropical, subtropical and temperate forest complexes expand while boreal forest, temperate steppe, temperate scrub and tundra shrink under future climate change scenarios; and (3) the GMM classification based on trait covariations should be a powerful candidate for building new generation of DGVM, especially predicting the response of vegetation to future climate changes. This study provides a promising route towards developing reliable, robust and realistic vegetation models and can address a series of limitations in current models.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».