Browning events in Arctic ecosystems: Diverse causes with common consequences
Notice bibliographique
Résumé
Arctic ecosystems are experiencing extreme climatic, biotic and physical disturbance events that can cause substantial loss of plant biomass and productivity, sometimes at scales of >1000 km2. Collectively known as browning events, these are key contributors to the spatial and temporal complexity of Arctic greening and vegetation dynamics. If we are to properly understand the future of Arctic terrestrial ecosystems, their productivity, and their feedbacks to climate, understanding browning events is essential. Here we bring together understanding of browning events in Arctic ecosystems to compare their impacts and rates of recovery, and likely future changes in frequency and distribution. We also seek commonalities in impacts across these contrasting event types. We find that while browning events can cause high levels of plant damage (up to 100% mortality), ecosystems have substantial capacity for recovery, with biomass largely re-established within five years for many events. We also find that despite the substantial loss of leaf area of dominant species, compensatory mechanisms such as increased productivity of undamaged subordinate species lessen the impacts on carbon sequestration. These commonalities hold true for most climatic and biotic events, but less so for physical events such as fire and abrupt permafrost thaw, due to the greater removal of vegetation. Counterintuitively, some events also provide conditions for greater productivity (greening) in the longer-term, particularly where the disturbance exposes ground for plant colonisation. Finally, we find that projected changes in the causes of browning events currently suggest many types of events will become more frequent, with events of tundra fire and abrupt permafrost thaw expected to be the greatest contributors to future browning due to their severe impacts and occurrence in many Arctic regions. Overall, browning events will have increasingly important consequences for ecosystem structure and function, and for feedback to climate.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».