The carbon footprint of a Malaysian tropical reservoir: measured versus modelled estimates highlight the underestimated key role of downstream processes
Notice bibliographique
Résumé
Abstract. Reservoirs are important sources of greenhouse gases (GHGs) to the atmosphere, and their number is rapidly increasing, especially in tropical regions. Accurately predicting their current and future emissions is essential but hindered by fragmented data on the subject, which often fail to include all emission pathways (surface diffusion, ebullition, degassing, and downstream emissions) and the high spatial and temporal flux variability. Here we conducted a comprehensive sampling of Batang Ai reservoir (Malaysia), and compared field-based versus modelled estimates of its annual carbon footprint for each emission pathway. Carbon dioxide (CO2) and methane (CH4) surface diffusion were higher in upstream reaches. Reducing spatial and temporal sampling resolution resulted in up to a 64 % and 33 % change in the flux estimate, respectively. Most GHGs present in discharged water were degassed at the turbines, and the remainder were gradually emitted along the outflow river, leaving time for CH4 to be partly oxidized to CO2. Overall, the reservoir emitted 2475 gCO2eqm-2yr-1, with 89 % occurring downstream of the dam, mostly in the form of CH4. These emissions, largely underestimated by predictions, are mitigated by CH4 oxidation upstream and downstream of the dam but could have been drastically reduced by slightly raising the water intake elevation depth. CO2 surface diffusion and CH4 ebullition were lower than predicted, whereas modelled CH4 surface diffusion was accurate. Investigating latter discrepancies, we conclude that exploring morphometry, soil type, and stratification patterns as predictors can improve modelling of reservoir GHG emissions at local and global scales.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».