MétaCan
Menu
Retour à la cohorte
Enregistrement W2124231655 · doi:10.1139/er-2014-0048

Ecological benefits and risks arising from liming sugar maple dominated forests in northeastern North America

2014· article· en· W2124231655 sur OpenAlexaffvenueabout
Jean‐David Moore, Rock Ouimet, Robert P. Long, Paul A. Bukaveckas

Notice bibliographique

RevueEnvironmental Reviews · 2014
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueForest Ecology and Biodiversity Studies
Établissements canadiensMinistère des Ressources naturelles et des Forêts
Organismes subventionnairesnon disponible
Mots-clésEcosystemEcologyEnvironmental scienceHabitatYellow birchForest ecologyMapleAceraceaeAgroforestryBiology

Résumé

récupéré en direct d'OpenAlex

Liming, the application of carbonate materials (e.g., CaCO 3 , CaMg(CO 3 ) 2 ) to soils and surface waters, has been used extensively in Europe, and to a lesser extent in Canada and the United States, to mitigate the effects of acid deposition on forest and aquatic ecosystems. This literature review was conducted to assess the effects of liming on ecologically and economically important sugar maple dominated ecosystems of northeastern North America, where it is increasingly used to treat sugar maple dieback. Potential direct and indirect effects were considered to determine whether the use of liming to revitalize these forests could negatively affect other ecological parameters, including those in adjacent aquatic habitats. Based on current scientific literature, it is not anticipated that liming at rates of 1–3 t ha −1 would have major detrimental effects on these ecosystems. However, liming could have negative effects on northern hardwood forests with regard to earthworm invasions. The choice of liming as a mitigation tool should be made not only after weighing the potentially negative effects against the benefits of restoring sugar maple dominated stands in poorly buffered soils, but also after considering ecological components that could be lost or never recovered if an acidified forest ecosystem is not limed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,262
Score d'incertitude au seuil0,728

Scores Codex et Gemma par catégorie

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,032
Tête enseignante GPT0,212
Écart entre enseignants0,179 · 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 tête enseignante, 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

Citations44
Publié2014
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueEnvironmental ReviewsMême sujetForest Ecology and Biodiversity StudiesTravaux en français237 207