MétaCan
Menu
Retour à la cohorte
Enregistrement W3047851644 · doi:10.1038/s41598-020-70313-6

Ecosystem-level carbon storage and its links to diversity, structural and environmental drivers in tropical forests of Western Ghats, India

2020· article· en· W3047851644 sur OpenAlexaff
S. Kothandaraman, Javid Ahmad Dar, Somaiah Sundarapandian, Selvadurai Dayanandan, Mohammed Latif Khan

Notice bibliographique

RevueScientific Reports · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensConcordia University
Organismes subventionnairesUniversity Grants Commission
Mots-clésEvergreenEvergreen forestBiodiversityTropical and subtropical dry broadleaf forestsAgroforestryCarbon stockForestryDeciduousGeographyEcosystemUnderstoryEnvironmental scienceTropical climateLitterForest ecologyEcologyBiologyClimate changeCanopy

Résumé

récupéré en direct d'OpenAlex

Tropical forests are rich in biodiversity with great potential for carbon (C) storage. We estimated ecosystem-level C stock using data from 70 forest plots in three major forest types: tropical dry deciduous (TDD I and TDD II), tropical semi-evergreen (TSE I and TSE II) and tropical evergreen forests (TEF I, TEF II and TEF III) of Kanyakumari Wildlife Sanctuary, Western Ghats, India. The average C stock in these forests was 336.8 Mg C/ha, of which 231.3, 3.0, 2.4, 15.2 and 84.9 Mg C/ha were stored in woody vegetation, understorey, litter, deadwood and soil respectively. The live vegetation, detritus and soil contributed 65.5%, 5.5% and 29% respectively to the total ecosystem-level C stock and distributed in forest types in the order: TEF III > TEF II > TEF I > TSE I > TDD II > TSE II > TDD I. The plant diversity, structural attributes and environmental factors showed significant positive correlations with C stocks and accounted for 6.7, 77.2 and 16% of variance. These findings indicate that the tropical forests in the Western Ghats store large amount of C, and resulting data are invaluable for planning and monitoring forest conservation and management programs to enhance C storage in tropical forests.

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 enseignants0,076
Score d'incertitude au seuil0,152

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 technologies0,0000,000
Communication savante0,0010,000
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 Opus0,011
Tête enseignante GPT0,197
Écart entre enseignants0,186 · 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

Citations77
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetForest ecology and managementTravaux en français237 207