MétaCan
Menu
Retour à la cohorte
Enregistrement W4404438179 · doi:10.1016/j.fecs.2024.100275

Sensitivity of gross primary production and evapotranspiration to heat and drought stress in a young temperate plantation in northern China

2024· article· en· W4404438179 sur OpenAlexaff
Hongxian Zhao, Zeyuan Zhou, Feng Zhang, Charles P.‐A. Bourque, Xin Jia, Xinhao Li, Peng Liu, Haiqun Yu, Yun Tian, Chuan Jin, Shaorong Hao, Tianshan Zha

Notice bibliographique

RevueForest Ecosystems · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePlant Water Relations and Carbon Dynamics
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesNational Key Research and Development Program of ChinaNational Natural Science Foundation of China
Mots-clésTemperate climateEvapotranspirationEnvironmental sciencePrimary productionChinaProduction (economics)Heat stressEcosystemForestryAgroforestryGeographyAtmospheric sciencesEcologyGeologyEconomics

Résumé

récupéré en direct d'OpenAlex

Assessing the sensitivities of ecosystem functions to climatic factors is essential to understanding the response of ecosystems to environmental change. Temperate plantation forests contribute to global greening and climate change mitigation, yet little is known as to the sensitivity of gross primary production (GPP) and evapotranspiration (ET) of these forests to heat and drought stress. Based on near-continuous, eddy-covariance and hydrometeorological data from a young temperate plantation forest in Beijing, China (2012–2019), we used a sliding-window-fitting technique to assess the seasonal and interannual variation in ecosystem sensitivity (i.e., calculated slopes, S GPP-Ta , S ET-Ta , S GPP-EF , and S ET-EF ) in GPP and ET to anomalies in air temperature ( T a ) and evaporative fraction (EF). The EF was used here as an indicator of drought. Seasonally, daily S GPP-Ta , S ET-Ta , and S GPP-EF were greatest in summer, reaching maxima of 1.12 ​± ​0.56 ​g ​C·m −2 ·d −1 ⋅°C −1 , 1.36 ​± ​0.56 ​g H 2 O·m −2 ·d −1 ⋅°C −1 , and 0.37 ​± ​0.35 ​g ​C·m −2 ·d −1 , respectively. Evapotranspiration was constrained by drought, especially during the spring-to-summer period, S ET-EF reaching −0.51 ​± ​0.34 ​g H 2 O·m −2 ·d −1 . Variables EF, T a , soil water content (SWC), vapor pressure deficit (VPD), and precipitation (PPT) were the main controls of sensitivity, with S GPP-Ta and S ET-Ta increasing with T a , VPD, and PPT (<50 ​mm·d −1 ) during both spring and autumn. Increased drought stress during summer caused the positive response in GPP and ET to decrease with atmospheric warming. Variable S ET-EF intensified (i.e., became more negative) with decreasing EF and increasing T a . Interannually, annual S GPP-Ta and S ET-Ta were positive, S GPP-EF near-neutral, and S ET-EF negative. Interannual variability in S GPP-Ta , S ET-Ta , S ET-EF , and S GPP-EF was largely due to variations in bulk surface conductance. Our study suggests that the dynamics associated with the sensitivity of ecosystems to changes in climatic factors need to be considered in the management of plantation forests under future global climate change. • We assessed S GPP-Ta , S GPP-EF , S ET-Ta and S ET-EF in a plantation forest over 2012–2019. • EF, T a , SWC, VPD, and PPT mainly controlled seasonal S GPP-Ta , S GPP-EF , S ET-Ta and S ET-EF . • Annual S GPP-Ta and S ET-Ta were positive, S GPP-EF near 0.0 and S ET-EF was negative. • G s promoted S GPP-Ta , S GPP-EF , S ET-Ta and S ET-EF at interannual timescales. • Drought stress had greater negative effect on the plantation forest than heat stress.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,089
Score d'incertitude au seuil0,176

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,188
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForest EcosystemsMême sujetPlant Water Relations and Carbon DynamicsTravaux en français237 207