Notice bibliographique
Résumé
Abstract. Forest net primary productivity (NPP), representing the net carbon gain from the atmosphere, varies significantly with forest age. Reliable forest NPP–age relationships are essential for forest carbon cycle modeling and prediction. These relationships can be derived from forest inventory or field survey data, but it is unclear which model is the most effective in simulating forest NPP variation with age. Here, we aim to establish NPP–age relationships for China's forests based on 3121 field survey samples. Five models, including the semi-empirical mathematical (SEM) function, the second-degree polynomial (SDP) function, the logarithmic (L) function, the Michaelis–Menten (M) function, and the Γ function, were compared against field data. Results of the comparison showed that the SEM and Γ functions performed much better than the other three models, but due to the limited field survey samples at old ages, the Γ function showed a sharp decrease in NPP (decreased to almost zero) at old ages when building some forest NPP–age curves, while SEM could capture the variations in forest NPP at old ages reasonably well. Considering the overall performance with currently available forest field survey samples, SEM was regarded as the optimal NPP–age model. The finalized forest NPP–age curves for five forest types in six regions of China can facilitate forest carbon cycle modeling and future projection by using the process-based Integrated Terrestrial Ecosystem Carbon (InTEC) model in China and may also be useful for other 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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,026 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,194 | 0,169 |
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 ».