Predicting Peatland Net Ecosystem Exchange of CO2 during the Non-Growing Season using Machine Learning
Notice bibliographique
Résumé
Abstract The world’s cold regions are experiencing some of the fastest warming, especially during the winter and shoulder seasons. Recent studies have highlighted the significance of carbon dioxide (CO2) emissions during the non-growing season (NGS) to the annual carbon budgets of northern peatlands. Because of the positive feedback of soil microbial respiration to warming, a warmer NGS may be expected to alter the carbon balance of peatlands, which are estimated to store about one-third of global terrestrial organic carbon stocks. However, estimates of NGS net ecosystem CO2 exchange (NEE) remain highly uncertain. In this study, we determine key environmental variables affecting the NGS-NEE from a temperate peatland (Mer Bleue Bog; Ottawa, Canada) and predict future NGS-NEE under three climate scenarios (RCP2.6, RCP4.5, and RCP8.5) using a variable selection methodology, global sensitivity analysis, and data-driven model. The model successfully reproduces the observed NGS-NEE fluxes using only 7 variables, with NGS-NEE being most sensitive to changes in net radiation. Our projections estimate that mean NEE during the NGS could increase by up to 103% by the end of the 21st century; thus, reinforcing the urgent need for a comprehensive understanding of peatlands as evolving sources of atmospheric CO2 in a warming world.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».