Representing Grasslands Using Dynamic Prognostic Phenology Based on Biological Growth Stages: Part 2. Carbon Cycling
Notice bibliographique
Résumé
Abstract Grasslands are one of the most widely distributed and abundant vegetation types globally, and land surface models struggle to accurately simulate grassland carbon dioxide, energy, and water fluxes. Here we hypothesize that this is due to land surface models having difficulties in reproducing grassland phenology, in particular in response to the seasonal and interannual variability of precipitation. Using leaf area index (LAI), net primary productivity, and flux data at 55 sites spanning climate zones, the aim of this study is to evaluate a novel prognostic phenology model (Simple Biosphere Model, SiB4) while simultaneously illustrating grassland relationships across precipitation gradients. Evaluating from 2000 to 2014, SiB4 predicts daily LAI, carbon, and energy fluxes with root‐mean‐square errors < 15% and individual biases <10%; however, not including management likely reduces its performance. Grassland mean annual LAI increases linearly with mean annual precipitation, with both SiB4 and the Moderate Resolution Imaging Spectroradiometer (MODIS) showing a 0.13 increase in LAI per 100‐mm increase in precipitation. Both gross primary production and ecosystem respiration increase with growing season length by ∼8.5 g C m −2 per day, with SiB4 and Fluxnet estimates within 18%. Despite differences in mean annual precipitation and growing season length, all grassland sites shift to seasonal carbon sinks one month prior to peak uptake. During a U.S. drought, MODIS and SiB4 had nearly identical LAI responses, and the LAI change due to drought was less than the LAI change across the precipitation gradient, indicating that grassland drought response is not as strong as the overlying climate response.
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 | 0,001 | 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 ».