Potential Impact of Afforestation on Water Yield in the Subalpine Region of Southwestern China<sup>1</sup>
Notice bibliographique
Résumé
Abstract: To combat its growing ecological problems, China has implemented a large‐scale Natural Forest Protection Program (NFPP). Under the umbrella of this program, the Sloping Land Conversion Program (SLCP) was established in 1999 to return cultivated land with slopes of 25° or more to perennial vegetation. However, the regional impacts on water resource management that are incurred by afforestation have not been carefully evaluated, especially in the subalpine region of southwestern China. The purpose of the present study was to provide reference values for the SLCP by evaluating the potential impact of afforestation on water yield under different climatic regimes. Accordingly, evapotranspiration (ET) in cropland (CL), shrubland, and general forest was calculated using a modification of Thornthwaite’s method, and in coniferous forest, broad‐leaved forest (BF), and mixed coniferous and broad‐leaved forest (MF) using the Surface Energy Balance Algorithm for Land (SEBAL) model. The results of both approaches showed that afforestation reduces water yield by 9.6‐24.3% depending on the types of conversion and climatic conditions. Water‐yield reduction is greatest (>143.4 mm, or 24.3%) when CL is converted to BF in dry climate conditions. Compared with the other forest types studied, coniferous plantations prevented water‐yield reduction by as much as 9.6% because of their relatively low levels of ET. It is expected that implementation of the SLCP, together with continuing climate change, will further pressure regional water resources. Thus, the effectiveness of afforestation must be evaluated in a broader context while taking into account its positive ecological aspects, such as soil‐erosion control, the preservation of biodiversity, and the significant carbon sequestration provided by forests.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».