Higher Temperature Variability Reduces Temperature Sensitivity of Vegetation Growth in Northern Hemisphere
Notice bibliographique
Résumé
Interannual air temperature variability has changed over some regions in Northern Hemisphere (NH), accompanying with climate warming. However, whether and to what extent it regulates the interannual sensitivity of vegetation growth to temperature variability (i.e., interannual temperature sensitivity)—one central issue in understanding and predicting the responses of vegetation growth to changing climate—still remains poorly quantified and understood. Here we quantify the relationships between the interannual temperature sensitivity of mean growing-season (April–October) normalized difference vegetation index (NDVI) and ecosystem model simulations of gross primary productivity (GPP), and variability in mean growing-season temperature for forest, shrub, and grass over NH. We find that higher interannual variability in mean growing-season temperature leads to consistent decrease in interannual temperature sensitivity of mean growing-season NDVI among all vegetation types but not in model simulations of GPP. Drier condition associates with ~130 ± 150% further decrease in interannual temperature sensitivity of mean growing-season NDVI by temperature variability in forest and shrub. These results illustrate that varying temperature variability can significantly regulate the interannual temperature sensitivity of vegetation growth over NH, interacted with drought variability and nonlinear responses of photosynthesis to temperature. Our findings call for an improved characterization of the nonlinear effects of temperature variability on vegetation growth within global ecosystem 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 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 ».