Reconstructing a Fine Resolution Landscape of Annual Gross Primary Product (1895–2013) with Tree-Ring Indices
Notice bibliographique
Résumé
Low carbon management and policies should refer to local long-term inter-annual carbon uptake. However, most previous research has only focused on the quantity and spatial distribution of gross primary product (GPP) for the past 50 years because most satellite launches, the main GPP data source, were no earlier than 1980. We identified a close relationship between the tree-ring index (TRI) and vegetation carbon dioxide uptake (as measured by GPP) and then developed a nested TRI-GPP model to reconstruct spatially explicit GPP values since 1895 from seven tree-ring chronologies. The model performance in both phases was acceptable: We chose general regression neural network regression and random forest regression in Phase 1 (1895–1937) and Phase 2 (1938–1985). With the simulated and real GPP maps, we observed that the GPP for grassland and overall GPP were increasing. The GPP landscape patterns were stable, but in recent years, the GPP’s increasing rate surpassed any other period in the past 130 years. The main local climate driver was the Palmer Drought Severity Index (PDSI), and GPP had a significant positive correlation with PDSI in the growing season (June, July, and August). With the GPP maps derived from the nested TRI-GPP model, we can create fine-scale GPP maps to understand vegetation change and carbon uptake over the past century.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
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 ».