MétaCan
Menu
Retour à la cohorte
Enregistrement W2789392566 · doi:10.1071/sr16265

Leaf and root production, decomposition and carbon and nitrogen fluxes during stand development in tropical moist forests, north-east India

2018· article· en· W2789392566 sur OpenAlexaff
C. Lalnunzira, Shri Kant Tripathi

Notice bibliographique

RevueSoil Research · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensSKiN Health
Organismes subventionnairesUniversity Grants Commission
Mots-clésEcological successionLitterEnvironmental scienceAgronomyPlant litterOrganic matterSoil organic matterDecompositionNutrientChemistryAnimal scienceSoil waterEcologyBiologySoil science

Résumé

récupéré en direct d'OpenAlex

In the present study we investigated the production and decomposition of leaves, branches and roots in two moist regenerating tropical forests (5 and 15 years old; RF-5 and RF-15 respectively) and a natural forest (NF) in north-east India. Total litter input increased during vegetation succession (759, 1089 and 1284 g m–2 year–1 in RF-5, RF-15 and NF respectively), whereas the contribution of soft litter decreased sharply. Decomposition over 450 days indicated significant seasonal (P < 0.001) patterns in mass loss of litter components, with greater rates during the wet period. Soil CO2 efflux was strongly seasonal. C stock loss followed patterns similar to those of mass loss, whereas N increased initially, followed by its gradual release. Rainfall explained 74–90% of the variability in mass loss rates. Concentrations of cellulose and N were significantly positively correlated with mass loss at an early stage of decomposition (r = 0.54–0.65, P < 0.05), whereas lignin : N and C : N ratios were negatively correlated with mass loss at later stages. Regenerating forests adapted ecosystem-level strategies that induced early leaf fall to reduce soil water loss, increase organic matter return to the soil and conserve N through immobilisation during the process of decomposition to speed up vegetation succession in the regenerating forest.

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 enseignants0,018
Score d'incertitude au seuil0,035

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
Bibliométrie0,0010,000
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 Opus0,016
Tête enseignante GPT0,278
Écart entre enseignants0,262 · 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

Citations31
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSoil ResearchMême sujetForest ecology and managementTravaux en français237 207