Prediction of future Alaskan lake methane emissions using a small-lake model coupled to a regional climate model
Notice bibliographique
Résumé
Methane (CH4) emissions from lakes will increase with climate warming, but these emissions are not accounted for in the land surface schemes of Global Climate Models (GCMs). Because climate projections depend on future atmospheric CH4 concentrations, the positive feedback loop between CH4 emissions from lakes and climate warming is not simulated. Our objective was to develop a modeling approach where an arctic-lake CH4 emission model was forced directly with GCM output (no downscaling) and formulated with parameters generally available for lakes within a GCM framework to couple a lake and GCM model. The model was hindcast for 1976–2005 and forecast for 2071–2100. Using observed meteorological forcing, the hindcasts had a cold bias (−0.15 to −0.63 °C) and root mean square error (RMSE) of 0.38 to 0.90 °C, relative to observations. The GCM-forced hindcasts had a warm bias (+0.96 to +3.13 °C) and RMSE of 1.03 to 3.50 °C. Our CH4 diffusion parameterization was transferable between 4 Alaskan lakes, after local adjustment of wind drag, but different ebullition parameterizations were required for 2 deeper lakes versus 2 shallower lakes. Under 3 climate scenarios, we simulated lake-bottom water to warm by up to 2.24 °C, increasing the simulated CH4 surface flux by 38–129%. However, the limited availability of observed CH4 data renders our results poorly validated, and therefore our model should be considered a proof-of-concept pathway toward direct coupling of lake-models to GCMs. Rigorous validation would require additional timeseries observations of areal free-surface diffusive and ebullitive CH4 fluxes from lakes.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,000 | 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 ».