MétaCan
Menu
Retour à la cohorte
Enregistrement W4283705838 · doi:10.1038/s41467-022-31496-w

Warming-induced increase in carbon uptake is linked to earlier spring phenology in temperate and boreal forests

2022· article· en· W4283705838 sur OpenAlexaff
Hongshuang Gu, Yuxin Qiao, Zhenxiang Xi, Sergio Rossi, Nicholas G. Smith, Liu Jian-quan, Lei Chen

Notice bibliographique

RevueNature Communications · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesNational Natural Science Foundation of ChinaTexas Tech University
Mots-clésPhenologyGrowing seasonEnvironmental scienceBorealTemperate climateGlobal warmingClimate changeTemperate rainforestEcosystemTaigaTemperate forestSpring (device)Carbon cycleEcologyClimatologyAtmospheric sciencesBiology

Résumé

récupéré en direct d'OpenAlex

Under global warming, advances in spring phenology due to rising temperatures have been widely reported. However, the physiological mechanisms underlying the advancement in spring phenology still remain poorly understood. Here, we investigated the effect of temperature during the previous growing season on spring phenology of current year based on the start of season extracted from multiple long-term and large-scale phenological datasets between 1951 and 2018. Our findings indicate that warmer temperatures during previous growing season are linked to earlier spring phenology of current year in temperate and boreal forests. Correspondingly, we observed an earlier spring phenology with the increase in photosynthesis of the previous growing season. These findings suggest that the observed warming-induced earlier spring phenology is driven by increased photosynthetic carbon assimilation in the previous growing season. Therefore, the vital role of warming-induced changes in carbon assimilation should be considered to accurately project spring phenology and carbon cycling in forest ecosystems under future climate warming.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

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

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 Opus0,015
Tête enseignante GPT0,262
Écart entre enseignants0,247 · 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 tête enseignante, 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

Citations132
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetRemote Sensing in AgricultureTravaux en français237 207