Estimating Aboveground Carbon Dynamic of China Using Optical and Microwave Remote-Sensing Datasets from 2013 to 2019
Notice bibliographique
Résumé
Over the past 2 to 3 decades, Chinese forests are estimated to act as a large carbon sink, yet the magnitude and spatial patterns of this sink differ considerably among studies. Using 3 microwave (L- and X-band vegetation optical depth [VOD]) and 3 optical (normalized difference vegetation index, leaf area index, and tree cover) remote-sensing vegetation products, this study compared the estimated live woody aboveground biomass carbon (AGC) dynamics over China between 2013 and 2019. Our results showed that tree cover has the highest spatial consistency with 3 published AGC maps (mean correlation value R = 0.84), followed by L-VOD ( R = 0.83), which outperform the other VODs. An AGC estimation model was proposed to combine all indices to estimate the annual AGC dynamics in China during 2013 to 2019. The performance of the AGC estimation model was good (root mean square error = 0.05 Pg C and R 2 = 0.90 with a mean relative uncertainty of 9.8% at pixel scale [0.25°]). Results of the AGC estimation model showed that carbon uptake by the forests in China was about +0.17 Pg C year −1 from 2013 to 2019. At the regional level, provinces in southwest China including Guizhou (+22.35 Tg C year −1 ), Sichuan (+14.49 Tg C year −1 ), and Hunan (+11.42 Tg C year −1 ) provinces had the highest carbon sink rates during 2013 to 2019. Most of the carbon-sink regions have been afforested recently, implying that afforestation and ecological engineering projects have been effective means for carbon sequestration in these regions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».