Phenology of Photosynthesis in Winter‐Dormant Temperate and Boreal Forests: Long‐Term Observations From Flux Towers and Quantitative Evaluation of Phenology Models
Notice bibliographique
Résumé
Abstract We examined the seasonality of photosynthesis in 46 evergreen needleleaf (evergreen needleleaf forests (ENF)) and deciduous broadleaf (deciduous broadleaf forests (DBF)) forests across North America and Eurasia. We quantified the onset and end (Start GPP and End GPP ) of photosynthesis in spring and autumn based on the response of net ecosystem exchange of CO 2 to sunlight. To test the hypothesis that snowmelt is required for photosynthesis to begin, these were compared with end of snowmelt derived from soil temperature. ENF forests achieved 10% of summer photosynthetic capacity ∼3 weeks before end of snowmelt, while DBF forests achieved that capacity ∼4 weeks afterward. DBF forests increased photosynthetic capacity in spring faster (1.95% d −1 ) than ENF (1.10% d −1 ), and their active season length (End GPP –Start GPP ) was ∼50 days shorter. We hypothesized that warming has influenced timing of the photosynthesis season. We found minimal evidence for long‐term change in Start GPP , End GPP , or air temperature, but their interannual anomalies were significantly correlated. Warmer weather was associated with earlier Start GPP (1.3–2.5 days °C −1 ) or later End GPP (1.5–1.8 days °C −1 , depending on forest type and month). Finally, we tested whether existing phenological models could predict Start GPP and End GPP . For ENF forests, air temperature‐ and daylength‐based models provided best predictions for Start GPP , while a chilling‐degree‐day model was best for End GPP . The root mean square errors (RMSE) between predicted and observed Start GPP and End GPP were 11.7 and 11.3 days, respectively. For DBF forests, temperature‐ and daylength‐based models yielded the best results (RMSE 6.3 and 10.5 days).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».