MétaCan
Menu
Retour à la cohorte
Enregistrement W4226119322 · doi:10.5194/bg-19-559-2022

Representativeness assessment of the pan-Arctic eddy covariance site network and optimized future enhancements

2022· article· en· W4226119322 sur OpenAlexaboutno aff
Martijn Pallandt, Jitendra Kumar, Marguerite Mauritz, Edward A. G. Schuur, Anna‐Maria Virkkala, Gerardo Celis, Forrest M. Hoffman, Mathias Göckede

Notice bibliographique

RevueBiogeosciences · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesHorizon 2020 Framework ProgrammeBiological and Environmental ResearchMax-Planck-GesellschaftEuropean Commission
Mots-clésArcticEnvironmental scienceEddy covarianceRepresentativeness heuristicGreenhouse gasClimate changeFlux (metallurgy)Atmospheric sciencesEcosystemEcologyStatisticsGeologyChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract. Large changes in the Arctic carbon balance are expected as warming linked to climate change threatens to destabilize ancient permafrost carbon stocks. The eddy covariance (EC) method is an established technique to quantify net losses and gains of carbon between the biosphere and atmosphere at high spatiotemporal resolution. Over the past decades, a growing network of terrestrial EC tower sites has been established across the Arctic, but a comprehensive assessment of the network's representativeness within the heterogeneous Arctic region is still lacking. This creates additional uncertainties when integrating flux data across sites, for example when upscaling fluxes to constrain pan-Arctic carbon budgets and changes therein. This study provides an inventory of Arctic (here > = 60∘ N) EC sites, which has also been made available online (https://cosima.nceas.ucsb.edu/carbon-flux-sites/, last access: 25 January 2022). Our database currently comprises 120 EC sites, but only 83 are listed as active, and just 25 of these active sites remain operational throughout the winter. To map the representativeness of this EC network, we evaluated the similarity between environmental conditions observed at the tower locations and those within the larger Arctic study domain based on 18 bioclimatic and edaphic variables. This allows us to assess a general level of similarity between ecosystem conditions within the domain, while not necessarily reflecting changes in greenhouse gas flux rates directly. We define two metrics based on this representativeness score: one that measures whether a location is represented by an EC tower with similar characteristics (ER1) and a second for which we assess if a minimum level of representation for statistically rigorous extrapolation is met (ER4). We find that while half of the domain is represented by at least one tower, only a third has enough towers in similar locations to allow reliable extrapolation. When we consider methane measurements or year-round (including wintertime) measurements, the values drop to about 1/5 and 1/10 of the domain, respectively. With the majority of sites located in Fennoscandia and Alaska, these regions were assigned the highest level of network representativeness, while large parts of Siberia and patches of Canada were classified as underrepresented. Across the Arctic, mountainous regions were particularly poorly represented by the current EC observation network. We tested three different strategies to identify new site locations or upgrades of existing sites that optimally enhance the representativeness of the current EC network. While 15 new sites can improve the representativeness of the pan-Arctic network by 20 %, upgrading as few as 10 existing sites to capture methane fluxes or remain active during wintertime can improve their respective ER1 network coverage by 28 % to 33 %. This targeted network improvement could be shown to be clearly superior to an unguided selection of new sites, therefore leading to substantial improvements in network coverage based on relatively small investments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,241
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations75
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiogeosciencesMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207