Notice bibliographique
Résumé
Abstract. The carbon cycle in Arctic-boreal regions (ABR) is an important component of the planetary carbon balance, with growing concerns about the consequences of ABR warming on the global climate system. The greatest uncertainty in annual carbon dioxide (CO2) budgets exists during the non-growing season, primarily due to challenges with data availability and limited spatial coverage in measurements. The goal of this study was to determine the main environmental controls of non-growing season CO2 fluxes in ABR over a latitudinal gradient (45° N to 69° N) featuring four different ecosystem types: closed-crown coniferous boreal forest, open-crown coniferous boreal forest, erect-shrub tundra, and prostrate-shrub tundra. CO2 fluxes calculated using a snowpack diffusion gradient method (n = 560) ranged from 0 to 1.05 gC m2 day-1. To assess the dominant environmental controls governing CO2 fluxes, a Random Forest machine learning approach was used. We identified that soil temperature as the main control of non-growing season CO2 fluxes with 68 % of relative model importance, except when soil liquid water occurred during zero degree Celsius curtain conditions (Tsoil ≈ 0 °C and liquid water coexists with ice in soil pores). Under zero-curtain conditions, liquid water content became the main control of CO2 fluxes with 87 % of relative model importance. We observed exponential regressions between CO2 fluxes and soil temperature (RMSE = 0.024 gC m-2 day-1) in frozen soils, as well as liquid water content (RMSE = 0.137 gC m-2 day-1) in zero-curtain conditions. This study is showing the role of several variables on the spatio-temporal variability of CO2 fluxes in ABR during the non-growing season and highlight that the complex vegetation-snow-soil interactions in northern environments must be considered when studying what drives the spatial variability of soil carbon emission during the non-growing season.
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 | 0,002 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,020 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,218 | 0,156 |
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 ».