MétaCan
Menu
Retour à la cohorte
Enregistrement W4293508492 · doi:10.1029/2022ef002760

Satellite Observed Land Surface Greening in Summer Controlled by the Precipitation Frequency Rather Than Its Total Over Tibetan Plateau

2022· article· en· W4293508492 sur OpenAlexaff
Ying Liu, Chaoyang Wu, Rachhpal S. Jassal, Xiaoyue Wang, Rong Shang

Notice bibliographique

RevueEarth s Future · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésGreeningNormalized Difference Vegetation IndexPrecipitationPlateau (mathematics)Vegetation (pathology)Environmental scienceClimate changeSatelliteAtmospheric sciencesDesertificationClimatologyPhysical geographyGeographyMeteorologyEcologyMathematicsGeologyBiologyPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Land surface greening has substantially changed the carbon sequestration and hydrological processes over Tibetan Plateau (TP). Previous studies have revealed that the increased total precipitation ( P total ) is the main driver of the enhanced peak growth in TP. However, the role of precipitation pattern, especially the frequency of precipitation ( P freq , number of rainy days [>0.1 mm]), has not been well analyzed. We used time series of satellite‐derived Normalized Difference Vegetation Index (NDVI) to investigate the effect of P freq in controlling the peak growth (the maximum of the NDVI [NDVI max ]) of different vegetation types in TP for the period of 1982–2015. We found that the widespread greening trend with P total disappeared when P freq was introduced as a controlling variable, and that P freq alone contributed more than P total to the increase of NDVI max . The underlying mechanism for the higher contribution of P freq than P total to NDVI max is that increased P freq significantly improved soil moisture, reduced daytime temperature while increased nighttime temperature, thereby alleviating summer drought. Our results highlight the importance of P freq in interpreting the variation of peak growth, and these effects might be better represented in ecosystem models by considering P freq rather than P total alone with future climate change.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,274
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,011
Tête enseignante GPT0,203
Écart entre enseignants0,192 · 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.

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

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEarth s FutureMême sujetRemote Sensing in AgricultureTravaux en français237 207