A 1 km-resolution terrestrial carbon storage data for China from 2001 to 2020: Multi-pool integration under the IPCC accounting standard
Notice bibliographique
Résumé
This dataset presents a high-resolution and temporally continuous carbon storage for China’s terrestrial ecosystems, covering the period from 2001 to 2020 at a 1 km spatial resolution. The dataset was developed using an IPCC-consistent accounting framework that integrates four major carbon pools: aboveground biomass, belowground biomass, soil organic carbon, and dead organic matter. Multi-source remote sensing data, national land cover classifications, biomass models, and soil observations were combined to estimate annual carbon storage across five land use types (cropland, forestland, grassland, built-up land, and unused land). Aboveground carbon is estimated based on biomass models, land use area, and carbon content conversion coefficients specific to land use type (Yang et al., 2023; Luo 2014; Piao et al., 2004; Zhao et al., 2024). Belowground carbon is calculated using the ratio of belowground to aboveground biomass (Luo 2014; Piao et al., 2004; Zhao et al., 2024; Mokany et al., 2006; Eggleston et al., 2006). Soil organic carbon is derived from spatially interpolated soil carbon density data combined with land use classification (Liu et al., 2021; Liu et al., 2020; Xu et al., 2019). Regarding dead carbon pool, estimations were made according to land use type following IPCC guidelines (forestland).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».