MétaCan
Menu
Retour à la cohorte
Enregistrement W2122476043 · doi:10.1155/2014/329031

Litter Controls Earthworm-Mediated Carbon and Nitrogen Transformations in Soil from Temperate Riparian Buffers

2014· article· en· W2122476043 sur OpenAlexafffundabout
Maria Kernecker, Joann K. Whalen, Robert L. Bradley

Notice bibliographique

RevueApplied and Environmental Soil Science · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensUniversité de SherbrookeMcGill University
Organismes subventionnairesFonds Québécois de la Recherche sur la Nature et les Technologies
Mots-clésMicrocosmEarthwormLitterAgronomyRiparian zonePlant litterDecomposerNitrogenNutrientChemistryDeciduousEnvironmental scienceBiologyBotanyEcologyEnvironmental chemistryEcosystem

Résumé

récupéré en direct d'OpenAlex

Nutrient cycling in riparian buffers is partly influenced by decomposition of crop, grass, and native tree species litter. Nonnative earthworms in riparian soils in southern Quebec are expected to speed the processes of litter decomposition and nitrogen (N) mineralization, increasing carbon (C) and N losses in gaseous forms or via leachate. A 5-month microcosm experiment evaluated the effect ofAporrectodea turgidaon the decomposition of 3 litter types (deciduous leaves, reed canarygrass, and soybean stem residue). Earthworms increased CO2and N2O losses from microcosms with soybean residue, by 112% and 670%, respectively, but reduced CO2and N2O fluxes from microcosms with reed canarygrass by 120% and 220%, respectively. Litter type controlled the CO2flux (soybean ≥ deciduous-mix litter = reed canarygrass > no litter) and the N2O flux (soybean ≥ no litter ≥ reed canarygrass > deciduous-mix litter). However, in the presence of earthworms, there was a slight increase in C and N gaseous losses of C and N relative to their losses via leachate, across litter treatments. We conclude that litter type determines the earthworm-mediated decomposition effect, highlighting the importance of vegetation management in controlling C and N losses from riparian buffers to the environment.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,191
Score d'incertitude au seuil0,380

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,003
Tête enseignante GPT0,155
Écart entre enseignants0,153 · 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

Citations10
Publié2014
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueApplied and Environmental Soil ScienceMême sujetSoil and Water Nutrient DynamicsTravaux en français237 207