MétaCan
Menu
Retour à la cohorte
Enregistrement W2116662210 · doi:10.1641/b580808

Unintended Consequences of Urbanization for Aquatic Ecosystems: A Case Study from the Arizona Desert

2008· article· en· W2116662210 sur OpenAlexaff
W. John Roach, James B. Heffernan, Nancy B. Grimm, J Ramón Arrowsmith, Chris Eisinger, Tyler J. Rychener

Notice bibliographique

RevueBioScience · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensUniversity of Calgary
Organismes subventionnairesDivision of Graduate Education
Mots-clésPerennial streamEcosystemEphemeral keyAridEnvironmental scienceEcosystem servicesWatershedHydrology (agriculture)UrbanizationRiparian zoneGroundwaterWater resource managementEcologySTREAMSGeology

Résumé

récupéré en direct d'OpenAlex

Many changes wrought during the construction of “designer ecosystems” are intended to ensure—and often succeed in ensuring—that a city can provide ecosystem goods and services; but other changes have unintended impacts on the ecology of the city, impairing its ability to provide these critical functions. Indian Bend Wash, an urbanizing watershed in the Central Arizona–Phoenix (CAP) ecosystem, provides an excellent case study of how human alteration of land cover, stream channel structure, and hydrology affect ecosystem processes, both intentionally and unintentionally. The construction of canals created new flowpaths that cut across historic stream channels, and the creation of artificial lakes produced sinks for fine sediments and hotspots for nitrogen processing. Further hydrologic manipulations, such as groundwater pumping, linked surface flows to the aquifer and replaced ephemeral washes with perennial waters. These alterations of hydrologic structure are typical by-products of urban growth in arid and semiarid regions and create distinct spatial and temporal patterns of nitrogen availability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,100
Score d'incertitude au seuil0,199

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,239
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations60
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioScienceMême sujetSoil and Water Nutrient DynamicsTravaux en français237 207