Terrestrial Water Storage Dynamics: Different Roles of Climate Variability, Vegetation Change, and Human Activities across Climate Zones in China
Notice bibliographique
Résumé
Understanding terrestrial water storage (TWS) dynamics and associated drivers (e.g., climate variability, vegetation change, and human activities) across climate zones is essential for designing water resources management strategies in a changing environment. This study estimated TWS anomalies (TWSAs) based on the corrected Gravity Recovery and Climate Experiment (GRACE) gravity satellite data and derived driving factors for 214 watersheds across six climate zones in China. We evaluated the long-term trends and stationarities of TWSAs from 2004 to 2014 using the Mann–Kendall trend test and Augmented Dickey-Fuller stationarity test, respectively, and identified the key driving factors for TWSAs using the partial correlation analysis. The results indicated that increased TWSAs were observed in watersheds in tropical and subtropical climate zones, while decreased TWSAs were found in alpine and warm temperate watersheds. For tropical watersheds, increases in TWS were caused by increasing water conservation capacity as a result of large-scale plantations and the implementation of natural forest protection programs. For subtropical watersheds, TWS increments were driven by increasing precipitation and forestation. The decreasing tendency in TWS in warm temperate watersheds was related to intensive human activities. In the cold temperate zone, increased precipitation and soil moisture resulting from accelerated and advanced melting of frozen soils outweigh the above-ground evapotranspiration losses, which consequently led to the upward tendency in TWS in some watersheds (e.g., Xiaoxing’anling mountains). In the alpine climate zone, significant declines in TWS were caused by declined precipitation and soil moisture and increased evapotranspiration and glacier retreats due to global warming, as well as increased agriculture activities. These findings can provide critical scientific evidence and guidance for policymakers to design adaptive strategies and plans for watershed-scale water resources and forest management in different climate 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».