MétaCan
Menu
Retour à la cohorte
Enregistrement W4315628255 · doi:10.1111/gcb.16594

Modeled production, oxidation, and transport processes of wetland methane emissions in temperate, boreal, and Arctic regions

2023· article· en· W4315628255 sur OpenAlexafffund
Masahito Ueyama, Sara Knox, Kyle Delwiche, Sheel Bansal, W. J. Riley, Dennis Baldocchi, Takashi Hirano, Gavin McNicol, K. V. Schäfer, Lisamarie Windham‐Myers, Benjamin Poulter, Robert B. Jackson, Kuang‐Yu Chang, Jiquen Chen, Housen Chu, Ankur R. Desai, Sébastien Gogo, Hiroki Iwata, Minseok Kang, Ivan Mammarella, Matthias Peichl, Oliver Sonnentag, Eeva‐Stiina Tuittila, Youngryel Ryu, E. S. Euskirchen, Mathias Göckede, Adrien Jacotot, Mats B. Nilsson, Torsten Sachs

Notice bibliographique

RevueGlobal Change Biology · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensUniversité de MontréalEnvironment and Climate Change CanadaUniversity of British Columbia
Organismes subventionnairesLawrence Berkeley National LaboratoryBiological and Environmental ResearchDivision of Environmental BiologyDepartment of Water ResourcesHORIZON EUROPE Framework ProgrammeU.S. Geological SurveyCentre National de la Recherche ScientifiqueJapan Society for the Promotion of ScienceOffice of ScienceCanada Research ChairsU.S. Department of EnergyRural Development AdministrationIntegrated Carbon Observation SystemMinistry of EnvironmentNational Science Foundation
Mots-clésEnvironmental scienceEddy covariancePrimary productionWetlandBorealAtmospheric sciencesTemperate climatePermafrostMethaneArcticBiogeochemical cycleEcosystemHydrology (agriculture)EcologyChemistryEnvironmental chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Wetlands are the largest natural source of methane (CH4) to the atmosphere. The eddy covariance method provides robust measurements of net ecosystem exchange of CH4, but interpreting its spatiotemporal variations is challenging due to the co‐occurrence of CH4production, oxidation, and transport dynamics. Here, we estimate these three processes using a data‐model fusion approach across 25 wetlands in temperate, boreal, and Arctic regions. Our data‐constrained model—iPEACE—reasonably reproduced CH4emissions at 19 of the 25 sites with normalized root mean square error of 0.59, correlation coefficient of 0.82, and normalized standard deviation of 0.87. Among the three processes, CH4production appeared to be the most important process, followed by oxidation in explaining inter‐site variations in CH4emissions. Based on a sensitivity analysis, CH4emissions were generally more sensitive to decreased water table than to increased gross primary productivity or soil temperature. For periods with leaf area index (LAI) of ≥20% of its annual peak, plant‐mediated transport appeared to be the major pathway for CH4transport. Contributions from ebullition and diffusion were relatively high during low LAI (<20%) periods. The lag time between CH4production and CH4emissions tended to be short in fen sites (3 ± 2 days) and long in bog sites (13 ± 10 days). Based on a principal component analysis, we found that parameters for CH4production, plant‐mediated transport, and diffusion through water explained 77% of the variance in the parameters across the 19 sites, highlighting the importance of these parameters for predicting wetland CH4emissions across biomes. These processes and associated parameters for CH4emissions among and within the wetlands provide useful insights for interpreting observed net CH4fluxes, estimating sensitivities to biophysical variables, and modeling global CH4fluxes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,137
Score d'incertitude au seuil0,273

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,025
Tête enseignante GPT0,255
Écart entre enseignants0,230 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations38
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGlobal Change BiologyMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207