Urban expansion drives both loss and compensation in city vegetation productivity
Notice bibliographique
Résumé
Urbanization alters vegetation productivity by both direct (ω d ) and indirect (ω i ) effects. The direct effect is from the change of vegetated area indicated by impervious surface intensity (ISI), while indirect effects arise from changes in urban environmental factors, such as near-surface air temperatures, precipitation, urban heat island (UHI) intensity, and population density (POP). The respective contributions of ω d and ω i to vegetation net primary productivity (NPP) under various phases of urbanization are not well quantified. Using multisource remote-sensing data from 1990 to 2020, we analyzed the spatiotemporal variation in urban expansion and the effect that ω d and ω i had on NPP in the megalopolis of Beijing, China, over 5-year intervals. During this period, Beijing underwent significant planar expansion rates of about 58.9 km 2 /yr. Annual mean loss of NPP by ω d was estimated to be about 77.1 g C/(m 2 ·yr) during the 1990-2020 period, while annual mean improvement to NPP by ω i amounted to an increase of 28.9 g C/(m 2 ·yr). The NPP losses were partially offset by NPP improvements in the order of 18.6 %-69.3 %. The impact of forcing variables on NPP varied spatially. Air temperature, precipitation, UHI, POP, and ISI explained about 13.8 %, 23.2 %, 23.7 %, 14.7 %, and 24.6 % of the spatial variation in NPP. The impact of air temperature on NPP was related to available moisture, negatively affecting NPP in regions with water deficits. Our findings demonstrate the dual impact of urbanization on vegetation and underscore the necessity for spatially adaptive ecological management strategies in regions experiencing rapid urban growth.
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 | 0,001 | 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 | 0,001 |
| 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 ».