MétaCan
Menu
Retour à la cohorte
Enregistrement W2921111493 · doi:10.3390/quat2010013

Holocene Carbon Burial in Lakes of the Uinta Mountains, Utah, USA

2019· article· en· W2921111493 sur OpenAlexaboutno aff
Jeffrey S. Munroe, Quinn Brencher

Notice bibliographique

RevueQuaternary · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeology and Paleoclimatology Research
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Foundation
Mots-clésHoloceneCarbon cycleSedimentRadiocarbon datingCarbon fibersTotal organic carbonProductivityPhysical geographyEnvironmental scienceGeologyOceanographyHydrology (agriculture)EcologyEcosystemGeographyGeomorphologyPaleontology

Résumé

récupéré en direct d'OpenAlex

Recent research suggests that organic matter sequestered in lake sediment comprises a larger component of the global carbon cycle than once thought, yet little is known about carbon storage in mountain lakes. Here, we used a set of sediment cores collected from lakes in the Uinta Mountains (Utah, USA) to inform a series of calculations and extrapolations leading to estimates of carbon accumulation rates and total lacustrine carbon storage in this mountain range. Holocene rates of carbon accumulation in Uinta lakes are between 0.1 and 20.5 g/m2/yr, with an average of 5.4 g/m2/yr. These rates are similar to those reported for lakes in Greenland and Finland and are substantially lower than estimates for lakes in Alberta and Minnesota. The carbon content of modern sediments of seven lakes is notably elevated above long-term Holocene values, suggesting recent changes in productivity. The lakes of the Uintas have accumulated from 6 to 10 × 105 Mt of carbon over the Holocene. This is roughly equivalent to the annual carbon emissions from Salt Lake City, Utah. Based on their long-term Holocene rates, lakes in the Uintas annually sequester an amount of carbon equivalent to the emissions of <20 average Americans.

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 enseignants0,224
Score d'incertitude au seuil0,445

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,014
Tête enseignante GPT0,237
Écart entre enseignants0,223 · 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

Citations12
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueQuaternaryMême sujetGeology and Paleoclimatology ResearchTravaux en français237 207