The Importance of Lake Emergent Aquatic Vegetation for Estimating Arctic‐Boreal Methane Emissions
Notice bibliographique
Résumé
Abstract Areas of lakes that support emergent aquatic vegetation emit disproportionately more methane than open water but are under‐represented in upscaled estimates of lake greenhouse gas emissions. These shallow areas are typically less than ∼1.5 m deep and can be detected with synthetic aperture radar (SAR). To assess the importance of lake emergent vegetation (LEV) zones to landscape‐scale methane emissions, we combine airborne SAR mapping with field measurements of vegetated and open‐water methane flux. First, we use Uninhabited Aerial Vehicle SAR data from the NASA Arctic‐Boreal Vulnerability Experiment to map LEV in 4,572 lakes across four Arctic‐boreal study areas and find it comprises ∼16% of lake area, exceeding previous estimates, and exhibiting strong regional differences (averaging 59 [50–68]%, 22 [20–25]%, 1.0 [0.8–1.2]%, and 7.0 [5.0–12]% of lake areas in the Peace‐Athabasca Delta, Yukon Flats, and northern and southern Canadian Shield, respectively). Next, we account for these vegetated areas through a simple upscaling exercise using paired methane fluxes from regions of open water and LEV. After excluding vegetated areas that could be accounted for as wetlands, we find that inclusion of LEV increases overall lake emissions by 21 [18–25]% relative to estimates that do not differentiate lake zones. While LEV zones are proportionately greater in small lakes, this relationship is weak and varies regionally, underscoring the need for methane‐relevant remote sensing measurements of lake zones and a consistent criterion for distinguishing wetlands. Finally, Arctic‐boreal lake methane upscaling estimates can be improved with more measurements from all lake zones.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».