MétaCan
Menu
Retour à la cohorte
Enregistrement W2126858087 · doi:10.2489/jswc.65.1.6a

Carbon sequestration in agricultural lands of the United States

2010· article· en· W2126858087 sur OpenAlexfundno aff
R. F. Follett, L. H. Allen, S. Del Grosso, Justin Derner, Feike A. Dijkstra, Alan J. Franzluebbers, Robert C. Fry, Keith Paustian, Michele Schoeneberger

Notice bibliographique

RevueJournal of Soil and Water Conservation · 2010
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil Carbon and Nitrogen Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesNational Agricultural Statistics ServiceNatural Resources Conservation ServiceAgricultural Research ServiceMcMaster University
Mots-clésGreenhouse gasClimate changeUnited Nations Framework Convention on Climate ChangeCarbon sequestrationAgricultureGreenhouse gas removalEnvironmental scienceEnvironmental protectionNatural resource economicsAtmosphere (unit)Global warmingAtmospheric carbon cycleClimate change mitigationCarbon dioxideKyoto ProtocolGeographyMeteorologyEcologyEconomics

Résumé

récupéré en direct d'OpenAlex

Reducing concentrations of carbon dioxide (CO2) and other greenhouse gases (GHG) in Earth's atmosphere is identified as one of the most pressing modern-day environmental issues (IPCC 2007). As a signatory country to the United Nations Framework Convention on Climate Change (UNFCCC), the United States is actively engaged in a critical international effort to find solutions to the problems posed by climate change. Agriculture, in addition to being affected by the climate, contributes to climate change through its exchanges of GHG with the atmosphere. Thus, the management of agricultural systems to sequester atmospheric CO2 as soil organic carbon (SOC) and to minimize GHG emissions has been proposed as a partial solution to the climate change problem. In this paper, we discuss the potential role of agriculture in the United States to mitigate climate change through sequestration of carbon (C). We also identify critical knowledge gaps where further research is needed.

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 enseignants0,408
Score d'incertitude au seuil0,277

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 Opus0,011
Tête enseignante GPT0,194
Écart entre enseignants0,183 · 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

Citations158
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Soil and Water ConservationMême sujetSoil Carbon and Nitrogen DynamicsTravaux en français237 207