Trends and Drivers of Terrestrial Sources and Sinks of Carbon Dioxide: An Overview of the TRENDY Project
Notice bibliographique
Résumé
Abstract The terrestrial biosphere plays a major role in the global carbon cycle, and there is a recognized need for regularly updated estimates of land‐atmosphere exchange at regional and global scales. An international ensemble of Dynamic Global Vegetation Models (DGVMs), known as the “Trends and drivers of the regional scale terrestrial sources and sinks of carbon dioxide” (TRENDY) project, quantifies land biophysical exchange processes and biogeochemistry cycles in support of the annual Global Carbon Budget assessments and the REgional Carbon Cycle Assessment and Processes, phase 2 project. DGVMs use a common protocol and set of driving data sets. A set of factorial simulations allows attribution of spatio‐temporal changes in land surface processes to three primary global change drivers: changes in atmospheric CO 2 , climate change and variability, and Land Use and Land Cover Changes (LULCC). Here, we describe the TRENDY project, benchmark DGVM performance using remote‐sensing and other observational data, and present results for the contemporary period. Simulation results show a large global carbon sink in natural vegetation over 2012–2021, attributed to the CO 2 fertilization effect (3.8 ± 0.8 PgC/yr) and climate (−0.58 ± 0.54 PgC/yr). Forests and semi‐arid ecosystems contribute approximately equally to the mean and trend in the natural land sink, and semi‐arid ecosystems continue to dominate interannual variability. The natural sink is offset by net emissions from LULCC (−1.6 ± 0.5 PgC/yr), with a net land sink of 1.7 ± 0.6 PgC/yr. Despite the largest gross fluxes being in the tropics, the largest net land‐atmosphere exchange is simulated in the extratropical 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 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 | 0,001 |
| 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) | 0,000 | 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 ».