Global patterns of tree wood density
Notice bibliographique
Résumé
Wood density is a fundamental property related to tree biomechanics and hydraulic function while playing a crucial role in assessing vegetation carbon stocks by linking volumetric retrieval and a mass estimate. This study provides a high-resolution map of the global distribution of tree wood density at the 0.01° (~1 km) spatial resolution, derived from four decision trees machine learning models using a global database of 28,822 tree-level wood density measurements. An ensemble of four top-performing models combined with eight cross-validation strategies shows great consistency, providing wood density patterns with pronounced spatial heterogeneity. The global pattern shows lower wood density values in northern and northwestern Europe, Canadian forest regions and slightly higher values in Siberia forests, western United States, and southern China. In contrast, tropical regions, especially wet tropical areas, exhibit high wood density. Climatic predictors explain 49%-63% of spatial variations, followed by vegetation characteristics (25%-31%) and edaphic properties (11%-16%). Notably, leaf type (evergreen vs. deciduous) and leaf habit type (broadleaved vs. needleleaved) are the most dominant individual features among all selected predictive covariates. Wood density tends to be higher for angiosperm broadleaf trees compared to gymnosperm needleleaf trees, particularly for evergreen species. The distributions of wood density categorized by leaf types and leaf habit types have good agreement with the features observed in wood density measurements. This global map quantifying wood density distribution can help improve accurate predictions of forest carbon stocks, providing deeper insights into ecosystem functioning and carbon cycling such as forest vulnerability to hydraulic and thermal stresses in the context of future climate change.
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 | 0,001 |
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 ».