30 m Resolution Global Maps of Forest Soil Respiration and Its Changes From 2000 to 2020
Notice bibliographique
Résumé
Abstract The soil respiration (Rs) of forests is a major component of global Rs, yet few studies have focused on it. This study aimed to estimate global forest Rs and its changes at a resolution of 30 m via an artificial neural network (ANN) model. Five input candidates representing forest type, climatic, soil, and geographical information, as well as 1472 satisfactory forest Rs records, were used to build the ANN model and evaluate the model performance via a 10‐fold cross‐validation scheme. Global forest change data sets were used to accurately define the extent of forests and their changes, which was achievable because of the dynamic information and high resolution (30 m) of the data sets. The results indicate that the average annual global forest Rs from 2000 to 2020, as estimated by the optimal ANN model with an r2 value of 0.67 and a root‐mean‐square error of 252.6 g C m−2 yr−1, was 46.24 ± 5.86 Pg C yr−1. From 2001 to 2019, the average theoretical annual global forest Rs loss was 0.22 ± 0.06 Pg C yr−1 due to an average forest loss area of 23.4 million ha yr−1. In addition, the annual Rs theoretically increased by 0.75 Pg C in 2012 due to a global forest gain area of 80.5 million from 2001 to 2012. The presented data sets of global forest Rs and its changes can provide an accurate benchmark for discussing the carbon cycle and climate change at global to regional scales, even when operating over a small forest area (i.e., dozens of ha), which is a scale that has been ignored in other global Rs studies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».