Resolving heterogeneous fluxes from tundra halves the growing season carbon budget
Notice bibliographique
Résumé
Abstract. Landscapes are often assumed to be homogeneous when interpreting eddy covariance fluxes, which can lead to biases when gap-filling and scaling-up observations to determine regional carbon budgets. Tundra ecosystems are heterogeneous at multiple scales, with variation in plant functional types, soil moisture, thaw depth, and microtopography, for example, influencing net ecosystem exchange (NEE) of carbon dioxide (CO2) and methane (CH4) fluxes. With warming temperatures, Arctic ecosystems could change from a net sink to a net source of carbon to the atmosphere in some locations, but the carbon balance remains highly uncertain. In this study we report results from growing season NEE and CH4 fluxes from an eddy covariance tower in the Yukon-Kuskokwim Delta in Alaska. We used footprint models and Bayesian Markov Chain Monte Carlo (MCMC) methods to un-mix tower observations into constituent landcover fluxes based on high resolution landcover maps of the tower region. We compared three types of footprint models and used two landcover maps with varying complexity to determine the effects of these choices on derived ecosystem fluxes. We used artificially created gaps of withheld observations to compare gap-filling performance using our derived landcover-specific fluxes and traditional gap-filling methods that assume homogeneous landscapes. We also compared resulting regional carbon budgets when scaling-up observations using heterogeneous and homogeneous approaches. Traditional gap-filling methods performed worse at predicting artificially withheld gaps in NEE than those that accounted for heterogeneous landscapes, while there were only slight differences between footprint models and landcover maps. We identified and quantified hot spots of carbon fluxes in the landscape (e.g., late growing season emissions from wetlands and small ponds). We resolved distinct seasonality in tundra growing season NEE fluxes. Scaling while assuming a homogeneous landscape overestimated the growing season CO2 sink by a factor of two and underestimated CH4 emissions by a factor of two when compared to scaling with any method that accounts for landscape heterogeneity. We show how Bayesian MCMC, analytical footprint models, and high resolution landcover maps can be leveraged to derive detailed landcover carbon fluxes from eddy covariance timeseries. These results demonstrate the importance of landscape heterogeneity when scaling carbon emissions across the Arctic.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».