Towards broad‐scale temperature reconstructions for Eastern North America using blue light intensity from tree rings
Notice bibliographique
Résumé
Abstract Summer temperatures across eastern North America (hereafter East) will soon reach a level consistently above any observation experienced during the instrumental period. Increasing temperatures will have negative impacts on natural (e.g., water, plant and animal communities) and human (e.g., health, infrastructure, economies) systems upon which the large and growing centres of human population across the region depend. Within the network of Northern Hemisphere tree‐ring temperature proxy records, one of the most obvious geographic holes is the East, where few temperature‐sensitive proxies exist. Here we present the first steps towards building a network of temperature‐sensitive proxy records across the East using blue light intensity (BI) methods applied to the tree rings of multiple temperature sensitive tree species situated from North Carolina to Maine, USA. Our overall objective is to report on the most viable species for BI analysis across different regions of the East (e.g., Southeast US, Midwest US, Northeast US/Canadian Maritimes) by exploring temporal (e.g., since ca. 1900) and spatial relationships between instrumental temperatures and BI metrics. We found BI to be a strong predictor of March–October mean air temperature ( R 2 = 0.61) across the Northeast US/eastern Canada, and Sep‐Oct maximum air temperature ( R 2 = 0.42) across the Southeast US. Of all species tested, Tsuga canadensis and Picea rubens contained the strongest BI temperature signal. Adding more BI sites from these and potentially other species, as well as inclusion of other temperature proxies (e.g., ring widths) will allow for the development of a skilful broad‐scale and long‐term temperature field reconstruction across the East.
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 | 0,000 |
| 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 ».