Soil Organic Carbon in Particle Size and Density Fractionations under Four Forest Vegetation-Land Use Types in Subtropical China
Notice bibliographique
Résumé
Data on the effect of vegetation and land use type on soil organic carbon (SOC) distribution in particle-size and density fractions in the subtropical forest region in China will improve our understanding of the C sequestration potential of those different vegetation-land use types. We quantified SOC in particle size (coarse, medium and fine) and density fractions (light and heavy) under four types of common forest vegetation-land uses: an evergreen broad-leaf forest, a pine forest, a managed chestnut forest and an intensively managed bamboo forest in subtropical China. The SOC in the 0–20 and 20–40 cm soil layers was the highest in the bamboo forest (31.6–34.8 g·C·kg−1), followed by the evergreen broad-leaf forest (10.2–19.9 g·C·kg−1), the pine forest (8.5–13.6 g·C·kg−1) and the chestnut forest (6.3–12.2 g·C·kg−1). The SOC was largely in the coarse fraction under the evergreen broad-leaf, pine and bamboo forests, while it was largely in the fine fraction in the chestnut forest, suggesting that SOC in the chestnut forest was likely more stable than that in the other forest vegetation-land use types. The SOC in the light fraction under the four forest vegetation-land use types ranged from 1.4 to 13.1 g·C·kg−1 soil, representing 21%–37% of the total organic C; this suggests that the majority of the SOC was in the better protected, heavy fraction. We conclude that forest vegetation-land use type (and the associated management practices) influenced SOC distribution in particle size and density fractions in the studied subtropical forests in southeastern China.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».