MétaCan
Menu
Retour à la cohorte
Enregistrement W2593165328 · doi:10.3390/w9030167

Influence Mechanisms of Rainfall and Terrain Characteristics on Total Nitrogen Losses from Regosol

2017· article· en· W2593165328 sur OpenAlexaff
Xiaowen Ding, Ying Xue, Ming Lin, Guihong Jiang

Notice bibliographique

RevueWater · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil erosion and sediment transport
Établissements canadiensUniversity of Regina
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésRegosolEnvironmental scienceSurface runoffHydrology (agriculture)TerrainNonpoint source pollutionArable landInterflowPrecipitationSoil scienceSoil classificationSoil waterAgricultureGeologyGeographyMeteorologyEcologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

The upper reach of the Yangtze River is an ecologically sensitive region where water loss, soil erosion, and nonpoint source (NPS) pollution are serious issues. In this drainage area, regosol is the most widely distributed soil type. Cultivation on regosol is extensive and total nitrogen (TN) has become a common NPS pollutant. Artificial rainfall experiments were conducted to reveal the influence mechanisms of rainfall and terrain on TN losses from regosol. The results showed that there were positive correlations between precipitations and TN loads but negative ones between precipitations and TN concentrations. Furthermore, negative correlations were more obvious on fields with slopes of 5° and 25° than on other slopes. With increasing rainfall intensity, TN loads rose simultaneously. However, TN concentration in runoff-yielding time presented a decline over time. As far as terrain was concerned, TN loads grew generally but not limitlessly when slopes increased. Similarly, TN concentrations also rose with rising slopes; upward trends were more obvious for steeper slopes. Furthermore, the initial runoff-yielding time became longer for steeper slopes and the differences under various rainfall intensity conditions diminished gradually.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,610
Score d'incertitude au seuil0,215

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 Opus0,014
Tête enseignante GPT0,207
Écart entre enseignants0,193 · 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'étudeExpérimental (laboratoire)
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

Citations12
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetSoil erosion and sediment transportTravaux en français237 207