The impacts of modelling prescribed vs. dynamic land cover in a high-CO <sub>2</sub> future scenario – greening of the Arctic and Amazonian dieback
Notice bibliographique
Résumé
Abstract. Terrestrial biosphere models are a key tool in investigating the role played by land surface in the global climate system. However, few models simulate the geographic distribution of biomes dynamically, opting instead to prescribe them using remote sensing products. While prescribing land cover still allows for the simulation of the impacts of climate change on vegetation growth and the impacts of land use change, it prevents the simulation of climate-change-driven biome shifts, with implications for the projection of future terrestrial carbon sink. Here, we isolate the impacts of prescribed vs. dynamic land cover implementations in a terrestrial biosphere model. We first introduce a new framework for evaluating dynamic land cover (i.e., the spatial distribution of plant functional types across the land surface), which can be applied across terrestrial biosphere models alongside standard benchmarking of energy, water, and carbon cycle variables in model intercomparison projects. After validating simulated land cover, we then show that the simulated terrestrial carbon sink differs significantly between simulations with dynamic vs. prescribed land cover for a high-CO2 future scenario. This is because of important range shifts that are only simulated when dynamic land cover is implemented: tree expansion into the Arctic and Amazonian transition from forest to grassland. In particular, the projected change in net land–atmosphere CO2 flux at the end of the 21st century is twice as large in simulations with dynamic land cover than in simulations with prescribed land cover. Our results illustrate the importance of climate-change-driven biome shifts for projecting future terrestrial carbon sink.
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 | 0,001 | 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 ».