Hydroclimate and landscape diversity drive highly variable greenhouse gas emissions from tropical and subtropical inland waters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
(Sub)tropical inland waters are important greenhouse gas (GHG) sources, yet limited observations have long hindered broad analyses of GHG variability across this diverse region. Here, through a meta-analysis, we have examined the rates and drivers of GHG emissions from flowing and standing (sub)tropical inland waters. We find considerable spatial variation in fluxes, largely related to differences in hydroclimate, geomorphology, land cover and human disturbance. Flowing waters emit more carbon dioxide (3,387 2,121 5,702 TgCO2 yr−1, expressing median first quartile third quartile ), methane (10.6 0.1 28.8 TgCH4 yr−1) and nitrous oxide (0.62 0.35 1.10 TgN2O yr−1) than standing waters (114 73 219 TgCO2 yr−1, 5.4 2.1 9.1 TgCH4 yr−1 and 0.03 0.02 0.05 TgN2O yr−1, respectively). (Sub)tropical inland waters release 4,238 2473 7375 TgCO2-equivalents annually, with first- to third-order streams contributing 75% of riverine emissions and lakes larger than 100 km2 contributing 59% of standing water emissions. Our results suggest emissions from (sub)tropical waters are 29–72% lower than earlier estimates, a downward revision with important implications for global GHG budgets. This meta-analysis assesses the rates and drivers of greenhouse gas emissions from flowing and standing (sub)tropical inland waters, finding that emissions are lower than previous estimates. Considerable spatial variation in fluxes arises mainly from differences in hydroclimate, geomorphology, land cover and human disturbance.
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.
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 découle