Regulation of carbon dioxide and methane in small agricultural reservoirs: optimizing potential for greenhouse gas uptake
Notice bibliographique
Résumé
Abstract. Small farm reservoirs are abundant in many agricultural regions across the globe and have the potential to be large contributing sources of carbon dioxide (CO2) and methane (CH4) to agricultural landscapes. Compared to natural ponds, these artificial waterbodies remain overlooked in both agricultural greenhouse gas (GHG) inventories and inland water global carbon (C) budgets. Improved understanding of the environmental controls of C emissions from farm reservoirs is required to address and manage their potential importance in agricultural GHG budgets. Here, we conducted a regional-scale survey (∼ 235 000 km2) to measure CO2 and CH4 surface concentrations and diffusive fluxes across 101 small farm reservoirs in Canada's largest agricultural area. A combination of abiotic, biotic, hydromorphologic, and landscape variables were modelled using generalized additive models (GAMs) to identify regulatory mechanisms. We found that CO2 concentration was estimated by a combination of internal metabolism and groundwater-derived alkalinity (66.5 % deviance explained), while multiple lines of evidence support a positive association between eutrophication and CH4 production (74.1 % deviance explained). Fluxes ranged from −21 to 466 and 0.14 to 92 mmol m−2 d−1 for CO2 and CH4, respectively, with CH4 contributing an average of 74 % of CO2-equivalent (CO2-e) emissions based on a 100-year radiative forcing. Approximately 8 % of farm reservoirs were found to be net CO2-e sinks. From our models, we show that the GHG impact of farm reservoirs can be greatly minimized with overall improvements in water quality and consideration to position and hydrology within the landscape.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».