Improving landscape‐scale productivity estimates by integrating trait‐based models and remotely‐sensed foliar‐trait and canopy‐structural data
Improving landscape‐scale productivity estimates by integrating trait‐based models and remotely‐sensed foliar‐trait and canopy‐structural data
复制标题
通过整合基于性状的模型和遥感叶面性状和冠层结构数据来改进景观规模生产力估算
DOI：
10.1111/ecog.06078
复制
发表时间：
2022
期刊：
影响因子：
5.9
通讯作者：
Bentley, Lisa Patrick
中科院分区：
文献类型：
--
作者：
Wieczynski, Daniel J.;Díaz, Sandra;Durán, Sandra M.;Fyllas, Nikolaos M.;Salinas, Norma;Martin, Roberta E.;Shenkin, Alexander;Silman, Miles R.;Asner, Gregory P.;Bentley, Lisa Patrick
由于缺乏明确、灵活和易于使用的生产力模型以及用于对这些模型进行参数化和测试的稀缺的特征和生产力数据，阻碍了对人为退化和气候变化对全球碳循环的影响的评估。我们提供了一个简单的解决方案：一个机械框架(RS-CFM)，它将遥感的叶状和冠层结构数据与基于特征的新陈代谢理论相结合，以有效地绘制大空间尺度上的生产力。我们通过在海拔3322米的高度多样化的秘鲁热带森林(30040公顷)高分辨率(0.01公顷)下量化净初级生产力来测试这一框架。与使用植物功能类型的基于经验和流程的替代模型相比，我们的分析更准确、更详细地捕捉到生产率的热点和海拔变化。这一结果揭示了高分辨率、特定地点的性状变异和光竞争如何推动生产力的变异性，为充分利用遥感数据并以更直接、更有效和更具成本效益的方式可靠地从性状扩大到绘制全球生产力地图开辟了可能性。
Assessing the impacts of anthropogenic degradation and climate change on global carbon cycling is hindered by a lack of clear, flexible and easy‐to‐use productivity models along with scarce trait and productivity data for parameterizing and testing those models. We provide a simple solution: a mechanistic framework (RS‐CFM) that combines remotely‐sensed foliar‐trait and canopy‐structural data with trait‐based metabolic theory to efficiently map productivity at large spatial scales. We test this framework by quantifying net primary productivity (NPP) at high‐resolution (0.01‐ha) in hyper‐diverse Peruvian tropical forests (30040 hectares) along a 3322‐m elevation gradient. Our analysis captures hotspots and elevational shifts in productivity more accurately and in greater detail than alternative empirical‐ and process‐based models that use plant functional types. This result exposes how high‐resolution, location‐specific variation in traits and light competition drive variability in productivity, opening up possibilities to fully harness remote sensing data and reliably scale up from traits to map global productivity in a more direct, efficient and cost‐effective manner.
登录
查看更多内容
影响因子：
3.7
作者：
Newbold T;Butchart SH;Sekercioğlu CH;Purves DW;Scharlemann JP
通讯作者：
Scharlemann JP
高光谱图像可以预测单一物种林中的热带树木生长率。
DOI：
10.1002/eap.1436
发表时间：
2016
期刊：
Ecological applications : a publication of the Ecological Society of America
影响因子：
--
作者：
T. Caughlin;Sarah J. Graves;G. Asner;Michiel van Breugel;Jefferson S. Hall;R. Martin;M. Ashton;Stephanie A. Bohlman
通讯作者：
Stephanie A. Bohlman
影响因子：
8.8
作者：
Fyllas, Nikolaos M.;Bentley, Lisa Patrick;Malhi, Yadvinder
通讯作者：
Malhi, Yadvinder
影响因子：
2.9
作者：
Fauset, Sophie;Gloor, Manuel;Malhi, Yadvinder
通讯作者：
Malhi, Yadvinder
DOI：
10.1073/pnas.1317722111
发表时间：
2014-09-23
影响因子：
11.1
作者：
Lamanna, Christine;Blonder, Benjamin;Enquist, Brian J.
通讯作者：
Enquist, Brian J.