A high spatial resolution soil carbon and nitrogen dataset for the northern permafrost region based on circumpolar land cover upscaling
Notice bibliographique
Résumé
Abstract. Soils in the northern high latitudes are a key component in the global carbon cycle; the northern permafrost region covers 22 % of the Northern Hemisphere land surface area and holds almost twice as much carbon as the atmosphere. Permafrost soil organic matter stocks represent an enormous long-term carbon sink which is in risk of switching to a net source in the future. Detailed knowledge about the quantity and the mechanisms controlling organic carbon storage is of utmost importance for our understanding of potential impacts of and feedbacks on climate change. Here we present a geospatial dataset of physical and chemical soil properties calculated from 651 soil pedons encompassing more than 6500 samples from 16 different study areas across the northern permafrost region. The aim of our dataset is to provide a basis to describe spatial patterns in soil properties, including quantifying carbon and nitrogen stocks. There is a particular need for spatially distributed datasets of soil properties, including vertical and horizontal distribution patterns, for modeling at local, regional, or global scales. This paper presents this dataset, describes in detail soil sampling; laboratory analysis, and derived soil geochemical parameters; calculations; and data clustering. Moreover, we use this dataset to estimate soil organic carbon and total nitrogen storage estimates in soils in the northern circumpolar permafrost region (17.9×106 km2) using the European Space Agency's (ESA's) Climate Change Initiative (CCI) global land cover dataset at 300 m pixel resolution. We estimate organic carbon and total nitrogen stocks on a circumpolar scale (excluding Tibet) for the 0–100 and 0–300 cm soil depth to be 380 and 813 Pg for carbon, and 21 and 55 Pg for nitrogen, respectively. Our organic carbon estimates agree with previous studies, with most recent estimates of 1000 Pg (−170 to +186 Pg) to 300 cm depth. Two separate datasets are freely available on the Bolin Centre Database repository (https://doi.org/10.17043/palmtag-2022-pedon-1, Palmtag et al., 2022a; and https://doi.org/10.17043/palmtag-2022-spatial-1, Palmtag et al., 2002b).
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».