Estimating soil organic carbon redistribution in three major river basins of China based on erosion processes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Soil erosion by water affects soil organic carbon (SOC) migration and distribution, which are important processes for defining ecosystem carbon sources and sinks. Little has been done to quantify soil carbon erosion in the three major basins in China, the Yangtze River, Yellow River and Pearl River Basins, which contain the most eroded areas. This research attempts to quantify the lateral movement of SOC based on spatial and temporal patterns of water erosion rates derived from an empirical Unit Stream Power Erosion Deposition Model (USPED) model. The water erosion rates simulated by the USPED model agreed reasonably with observations (R2 = 0.43, P < 0.01). We showed that regional water erosion ranged within 23.3–50 Mg ha–1 year–1 during 1992–2013, inducing the lateral redistribution of SOC caused by erosion in the range of 0.027–0.049 Mg C ha–1 year–1, and that caused by deposition of 0.0079–0.015 Mg C ha–1 year–1, in the three basins. The total eroded SOC was 0.006, 0.002 and 0.001 Pg year–1 in the Yangtze River, Yellow River and Pearl River Basins respectively. The net eroded SOC in the three basins was ~0.0075 Pg C year–1. Overall, the annual average redistributed SOC rate caused by erosion was greater than that caused by deposition, and the SOC loss in the Yangtze River Basin was greatest among the three basins. Our study suggests that considering both processes of erosion and deposition – as well as effects of topography, rainfall, land use types and their interactions – on these processes are important to understand SOC redistribution caused by water erosion.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle