Environmental Drivers of Gross Primary Productivity and Light Use Efficiency of a Temperate Spruce Forest
Notice bibliographique
Résumé
Abstract Various environmental variables drive gross primary productivity (GPP) and light use efficiency (LUE) of forest ecosystems. However, due to their intertwined nature and the complexity of measuring absorbed photosynthetically active radiation (APAR) of forest canopies, the assessment of LUE and the importance of its environmental drivers are difficult. Here, we present a unique combination of measurements during the 2021 growing season including eddy covariance derived GPP, sap flow, Sentinel‐2 derived canopy chlorophyll content and in situ measured APAR. The importance of environmental variables for GPP models is quantified with state‐of‐the‐art machine learning techniques. A special focus is put on photosynthesis‐limiting conditions, which are identified by a comparison of GPP and sap flow hysteretic responses to Vapor pressure deficit (VPD) and APAR. Results demonstrate that (a) LUE of the canopy's green part was on average 4.0% ± 2.3%, (b) canopy chlorophyll content as a seasonal variable for photosynthetic capacity was important for GPP predictions, and (c) on days with high VPD, tree‐scale sap flow and ecosystem‐scale GPP both shift to a clockwise hysteretic response to APAR. We demonstrate that the onset of such a clockwise hysteretic pattern of sap flow to APAR is a good indicator of stomatal closure related to water‐limiting conditions at the ecosystem‐scale.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 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 ».