Characterization of the variability and controls of the carbon dioxide exchange in northern peatlands
Bibliographic record
Abstract
Les tourbières jouent un rôle important dans le cycle global du carbone car ils représentent ~20-30% du carbone global des sols, cependant avec les changements climatiques qui sont prévus il n'est pas certain qu'ils continueront à accumuler autant de carbone. Pour améliorer le compréhension du cycle de carbone dans les tourbières, il est important de connaître la variabilité spatiale et temporelle d'échange du dioxyde de carbone (CO2) et d'autres composants en carbone du cycle de carbone des tourbières. Étudier le cycle du carbone dans les tourbières à l'échelle régionale et globale est un défi en raison des sites distants et de l'étendu des grands espaces qui les caractérisent. Des études ont utilisé des modèles d'écosystème en combinaison avec des données mesurées au sol et / ou des données satellitaires pour obtenir des informations régionales et globales sur la fonction et de la production des écosystèmes, mais généralement, les tourbières n'ont pas été inclus dans ces études. Dans ce contexte, ma recherche a été guidée par deux questions principales: 1) comment l'échange de CO2 et la phénologie varient-ils dans et entre les tourbières ? 2) et comment la télédétection peut-elle être employée pour obtenir des estimations d'échange de CO2 à une échelle spatiale plus grande que les mesures disponibles obtenues sur le terrain? Pour répondre à ces questions, j'ai utilisé une combinaison de modèles basés sur l'efficacité de l'utilisation de la lumière (LUE), des données satellitaires et des données obtenues sur le terrain de quatre tourbières, fonctionnellement différentes. L'analyse des données d'échange de CO2 a montré que la GPP annuelle accumulée et la production nette d'écosystème (NEP) sont plus élevées dans les tourbières les plus chauds. Les deux sites les plus chauds avaient de plus longues saisons de croissance et de périodes d'absorption de carbone que les deux sites les plus froids. La période d'absorption de carbone par exemple, était d'environ 6 mois sur les sites les plus chauds et d'environ 3 mois sur les sites les plus froids. Dans chacun de ces groupes les sites avec l'indice de surface foliaire le plus élevé et avec les niveaux de circum-neutres de pH avaient les GPP et NEP annuelles plus élevés. Des variations en GPP et NEP inter-annuelles ont été principalement expliquées par des variations dans les précipitations mensuelles ou saisonnières. Les indices de végétation obtenues par satellite ont bien capturé les variations saisonnières de GPP et NEP, et les indices phénologiques obtenues par satellite ont montré des relations modestes avec les GPP et NEP annuelles. La GPP basé sur la LUE, obtenue à partir d'un spectroradiomètre d'imagerie à résolution modérée a obtenue de meilleurs résultat pour capturer la variation saisonnière en GPP et NEP sur tous les sites. Une analyse plus approfondie des modèles de LUE a identifié deux défis majeurs: 1) des incertitudes dans des données d'entrée de satellite (par exemple, les indices de végétation) et leur relation avec les informations biophysiques au sol, et 2) le réglage des barèmes qui réduisent la valeur du paramètre maximale de LUE (c.-à-d. epsilon) sur le temps: les barèmes devraient mieux refléter les changements dans la température du sol, la disponibilité saisonnière d'eau et la présence de neige. Ces résultats sont importants pour l'amélioration des modèles de LUE qui, en fin de compte devrait mener à une meilleure caractérisation de la production des tourbières régionales et mondiales. Cette études a montré l'applicabilité des données satellitaires pour obtenir des informations sur la fonction et la production des tourbières, cependant, les résultats de l'analyse finale ont montré qu'il est important d'examiner si les données satellitaires disponibles (avec ses résolutions spatiales et temporelles prédéfinies) peuvent fournir les informations nécessaires sur la structure et la fonction de la végétation dans les tourbières.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".