North American boreal forests are a large carbon source due to wildfires from 1986 to 2016
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
<p>The dataset contains all files to reproduce the figures in the paper <em>North American boreal forests are a large carbon source due to wildfires from 1986 to 2016.</em><b>&nbsp;</b>These figures<b>&nbsp;</b>are created by Matlab, Python and ArcGIS. For Python, a environment of Python 2.7 or Python 3.7 with packages (pandas, numpy, scipy, matplotlib) pre-installed is required. The files with the extension&nbsp;of&nbsp;*.sglburnemit are&nbsp;essentially text files.</p> <p>Wildfires are a major disturbance to influence forest carbon balance through both immediate combustion emissions and post-fire ecosystem carbon dynamics.&nbsp; Here we use a process-based biogeochemistry model, the Terrestrial Ecosystem Model, to simulate carbon budget in Alaska and Canada during 1986-2016 considering fire disturbances. The difference Normalized Burn Ratio (dNBR) data for fires are extracted from Landsat TM/ETM imagery, and used to estimate the proportion of vegetation and soil carbon combustion. We find that the region is a carbon source of 2.74 Pg C during the 31-year period. The loss is attributed to fire emissions at 57.1 Tg C/yr, overwhelming the net ecosystem production at 1.9 Tg C/yr in the region. Our during-fire emission for Alaska and Canada are lower than some field measurements and model estimations (for Alaska: 1.4 Tg C/yr versus 1.6-3.3 Tg C/yr; for Canada: 2.1 Tg C/yr versus 1.3-4.3 Tg C/yr). Fire severity complicates after-fire carbon dynamics, with low severity fires increase soil temperature and decrease soil moisture, stimulating soil respiration. However, the opposite trend is found under moderate or high fire severity. Net nitrogen mineralization rates gradually recovered after fire, enhancing net primary production. Net ecosystem production recovers quicker under higher burn severities. Overall, our carbon budget analysis might be biased mainly due to the burn severity uncertainty.</p> <p>&nbsp;</p>
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,006 |
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