MétaCan
Menu
Retour à la cohorte
Enregistrement W2616404162 · doi:10.1038/ncomms15347

Global perturbation of organic carbon cycling by river damming

2017· article· en· W2616404162 sur OpenAlexafffund
Taylor Maavara, Ronny Lauerwald, Pierre Regnier, Philippe Van Cappellen

Notice bibliographique

RevueNature Communications · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Excellence Research Chairs, Government of CanadaAgence Nationale de la RechercheEuropean Commission
Mots-clésMineralization (soil science)Environmental scienceTotal organic carbonCarbon cycleGreenhouse gasCyclingOrganic matterHydrology (agriculture)Environmental chemistryPhysical geographySoil scienceOceanographyGeologyEcosystemEcologyChemistryGeographySoil waterBiologyForestry

Résumé

récupéré en direct d'OpenAlex

Abstract The damming of rivers represents one of the most far-reaching human modifications of the flows of water and associated matter from land to sea. Dam reservoirs are hotspots of sediment accumulation, primary productivity ( P ) and carbon mineralization ( R ) along the river continuum. Here we show that for the period 1970–2030, global carbon mineralization in reservoirs exceeds carbon fixation ( P ); the global P/R ratio, however, varies significantly, from 0.20 to 0.58 because of the changing age distribution of dams. We further estimate that at the start of the twenty-first century, in-reservoir burial plus mineralization eliminated 4.0±0.9 Tmol per year (48±11 Tg C per year) or 13% of total organic carbon (OC) carried by rivers to the oceans. Because of the ongoing boom in dam building, in particular in emerging economies, this value could rise to 6.9±1.5 Tmol per year (83±18 Tg C per year) or 19% by 2030.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

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
Bibliométrie0,0000,001
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)0,0010,000

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 Opus0,013
Tête enseignante GPT0,249
Écart entre enseignants0,236 · 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

Citations427
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetMarine and coastal ecosystemsTravaux en français237 207