Tidal Wetland Gross Primary Production Across the Continental United States, 2000–2019
Notice bibliographique
Résumé
Abstract We mapped tidal wetland gross primary production (GPP) with unprecedented detail for multiple wetland types across the continental United States (CONUS) at 16‐day intervals for the years 2000–2019. To accomplish this task, we developed the spatially explicit Blue Carbon (BC) model, which combined tidal wetland cover and field‐based eddy covariance tower data into a single Bayesian framework, and used a super computer network and remote sensing imagery (Moderate Resolution Imaging Spectroradiometer Enhanced Vegetation Index). We found a strong fit between the BC model and eddy covariance data from 10 different towers ( r 2 = 0.83, p < 0.001, root‐mean‐square error = 1.22 g C/m 2 /day, average error was 7% with a mean bias of nearly zero). When compared with NASA's MOD17 GPP product, which uses a generalized terrestrial algorithm, the BC model reduced error by approximately half (MOD17 had r 2 = 0.45, p < 0.001, root‐mean‐square error of 3.38 g C/m 2 /day, average error of 15%). The BC model also included mixed pixels in areas not covered by MOD17, which comprised approximately 16.8% of CONUS tidal wetland GPP. Results showed that across CONUS between 2000 and 2019, the average daily GPP per m 2 was 4.32 ± 2.45 g C/m 2 /day. The total annual GPP for the CONUS was 39.65 ± 0.89 Tg C/year. GPP for the Gulf Coast was nearly double that of the Atlantic and Pacific Coasts combined. Louisiana alone accounted for 15.78 ± 0.75 Tg C/year, with its Atchafalaya/Vermillion Bay basin at 4.72 ± 0.14 Tg C/year. The BC model provides a robust platform for integrating data from disparate sources and exploring regional trends in GPP across tidal wetlands.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».