Climate‐Driven Variability and Trends in Plant Productivity Over Recent Decades Based on Three Global Products
Notice bibliographique
Résumé
Variability in climate exerts a strong influence on vegetation productivity (gross primary productivity; GPP), and therefore has a large impact on the land carbon sink. However, no direct observations of global GPP exist, and estimates rely on models that are constrained by observations at various spatial and temporal scales. Here, we assess the consistency in GPP from global products which extend for more than three decades; two observation-based approaches, the upscaling of FLUXNET site observations (FLUXCOM) and a remote sensing derived light use efficiency model (RS-LUE), and from a suite of terrestrial biosphere models (TRENDYv6). At local scales, we find high correlations in annual GPP among the products, with exceptions in tropical and high northern latitudes. On longer time scales, the products agree on the direction of trends over 58% of the land, with large increases across northern latitudes driven by warming trends. Further, tropical regions exhibit the largest interannual variability in GPP, with both rainforests and savannas contributing substantially. Variability in savanna GPP is likely predominantly driven by water availability, although temperature could play a role via soil moisture-atmosphere feedbacks. There is, however, no consensus on the magnitude and driver of variability of tropical forests, which suggest uncertainties in process representations and underlying observations remain. These results emphasize the need for more direct long-term observations of GPP along with an extension of in situ networks in underrepresented regions (e.g., tropical forests). Such capabilities would support efforts to better validate relevant processes in models, to more accurately estimate GPP.
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 | 0,000 |
| 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 ».