The predictability of near‐term forest biomass change in boreal North America
Notice bibliographique
Résumé
Abstract Climate change is driving substantial changes in North American boreal forests, including changes in productivity, mortality, recruitment, and biomass. Despite the importance for carbon budgets and informing management decisions, there is a lack of near‐term (5–30 year) forecasts of expected changes in aboveground biomass (AGB). In this study, we forecast AGB changes across the North American boreal forest using machine learning, repeat measurements from 25,000 forest inventory sites, and gridded geospatial datasets. We find that AGB change can be predicted up to 30 years into the future, and that training on sites across the entire domain allows accurate predictions even in regions with only a small amount of existing field data. While predicting AGB loss is less skillful than gains, using a multi‐model ensemble can improve the accuracy in detecting change direction to >90% for observed increases, and up to 70% for observed losses. Higher stem density, winter temperatures, and the presence of temperate tree species in forest plots were positively associated with AGB change, whereas greater initial biomass, continentality (difference between mean summer and winter temperatures), prevalence of black spruce ( Picea mariana ), summer precipitation, and early warning metrics from long‐term remote sensing time series were negatively associated with AGB change. Across the domain, we predict nondisturbance‐induced declines in AGB at 23% of sites by 2030. The approach developed here can be used to estimate near‐future forest biomass in boreal North America and inform relevant management decisions. Our study also highlights the power of machine learning multi‐model ensembles when trained on a large volume of forest inventory plots, which could be applied to other regions with adequate plot density and spatial coverage.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 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 tête enseignante, 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 ».