MétaCan
Menu
Retour à la cohorte
Enregistrement W2786495144 · doi:10.3390/land7010011

Effect of Land Use Change on Soil Carbon Storage over the Last 40 Years in the Shi Yang River Basin, China

2018· article· en· W2786495144 sur OpenAlexaff
Danrui Sheng, Jan Adamowski, Yifan Gong, Jian Zhang, Jianjun Cao

Notice bibliographique

RevueLand · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil Carbon and Nitrogen Dynamics
Établissements canadiensMcGill University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésEnvironmental scienceWoodlandSoil carbonGrasslandAridLand useLand use, land-use change and forestryClimate changeProductivityCarbon sequestrationAgroforestryCarbon cycleCarbon fibersHydrology (agriculture)Soil waterAgronomyEcosystemSoil scienceCarbon dioxideEcologyGeology

Résumé

récupéré en direct d'OpenAlex

Accounting for one quarter of China’s land area, the endorheic Shiyang River basin is a vast semi-arid to arid region in China’s northwest. Exploring the impact of changes in land use on this arid area’s carbon budget under global warming is a key component to global climate change research. Variation in the region’s soil carbon storage due to land use changes occurring between 1973 and 2012 was estimated. The results show that land use change has a significant impact on the soil carbon budget, with soil carbon storage having decreased by 3.89 Tg between 1973 and 2012. Grassland stored the greatest amount of soil carbon (114.34 Mg ha−1), whereas considerably lower carbon storage occurred in woodland (58.53 Mg ha−1), cropland (26.75 Mg ha−1) and unused land (13.47 Mg ha−1). Grasslands transformed into cropland, and woodlands degraded into grassland have substantially reduced soil carbon storage, suggesting that measures should be adopted to reverse this trend to improve soil productivity.

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)0,001
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 enseignants0,079
Score d'incertitude au seuil0,156

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
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 Opus0,015
Tête enseignante GPT0,219
Écart entre enseignants0,205 · 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

Citations32
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLandMême sujetSoil Carbon and Nitrogen DynamicsTravaux en français237 207