Blue in green: forestation turns blue water green, mitigating heat at the expense of water availability
Notice bibliographique
Résumé
Abstract In order to meet a stringent carbon budget, shared socioeconomic pathways (SSPs) aligned with the Paris Agreement typically require substantial land-use changes (LUC), such as large-scale forestation and bioenergy crop plantations. What if such a low-emission, intense-LUC scenario actually materialized? This paper quantifies the biophysical effects of LUC under SSP1-2.6 using an ensemble of regional climate simulations over Europe. We find that LUC projected over the 21st century, primarily broadleaf-tree forestation at the expense of grasslands, reduce summertime heat extremes significantly over large swaths of continental Europe. In fact, cooling from LUC trumps warming by greenhouse gas (GHG) emissions, resulting in milder heat extremes by 2100 for about half of the European population. Forestation brings heat relief by shifting the partition of turbulent energy fluxes away from sensible and towards latent heat fluxes. Impacts on the water cycle are then assessed. Forestation enhances precipitation recycling over continental Europe, but not enough to match the boost of evapotranspiration (green water flux). Run-off (blue water flux) is reduced as a consequence. Some regions experience severe drying in response. In other words, forestation turns blue water green, bringing heat relief but compromising water availability in some already-dry 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 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 | 0,000 |
| 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 | 0,001 | 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) | 0,003 | 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 ».