MétaCan
Menu
Retour à la cohorte
Enregistrement W4411575847 · doi:10.1038/s41558-025-02355-5

Protect young secondary forests for optimum carbon removal

2025· article· en· W4411575847 sur OpenAlexaff
Nathaniel Robinson, C. Ronnie Drever, David A. Gibbs, Kristine Lister, Adriane Esquivel‐Muelbert, Viola Heinrich, Philippe Ciais, Celso H. L. Silva, Zhihua Liu, Thomas A. M. Pugh, Sassan Saatchi, Yidi Xu, Susan C. Cook‐Patton

Notice bibliographique

RevueNature Climate Change · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensNature Conservancy of Canada
Organismes subventionnairesConsortium of International Agricultural Research CentersVetenskapsrådetLunds UniversitetConselho Nacional de Desenvolvimento Científico e TecnológicoEuropean Commission
Mots-clésEnvironmental scienceCarbon fibersForestryAgroforestryGeographyComputer scienceAlgorithm

Résumé

récupéré en direct d'OpenAlex

Abstract Avoiding severe global warming requires large-scale removals of atmospheric carbon dioxide. Forest regeneration offers cost-effective carbon removals, but annual rates vary substantially by location and forest age. Here we generate grid-level (~1-km 2 ) growth curves for aboveground live carbon in naturally regrowing forests by combining 109,708 field estimates with 66 environmental covariates. Across the globe and the first 100 years of growth, maximum carbon removal rates varied 200-fold, with the greatest rates estimated in ~20- to 40-year-old forests. Despite a focus on new forests for natural climate solutions, protecting existing young secondary forests can provide up to 8-fold more carbon removal per hectare than new regrowth. These maps could help to target the optimal ages and locations where a key carbon removal strategy could be applied, and improve estimates of how secondary forests contribute to global carbon cycling.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,529
Score d'incertitude au seuil0,597

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,014
Tête enseignante GPT0,276
Écart entre enseignants0,262 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations26
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature Climate ChangeMême sujetForest Management and PolicyTravaux en français237 207