Effects of Grazing Management on Spatio-Temporal Heterogeneity of Soil Carbon and Greenhouse Gas Emissions of Grasslands and Rangelands: Monitoring, Modelling and Upscaling
Notice bibliographique
Résumé
The sustainability of grazing lands lies in the nexus of human consumption behavior, livestock productivity, and environmental sustainability. Due to fast growing global food demands, many grazing lands have suffered from overgrazing, leading to soil degradation, air and water pollution, and biodiversity losses. Multidisciplinary efforts are required to understand how grazing lands can be better monitored, assessed and managed to attain predictable outcomes of optimal benefit to society. This paper synthesizes our understanding based on previous work done on impacts of grazing on ecosystem goods and services, identifies current knowledge gaps, and formulates a plan forward. We review the impacts of two contrasting grazing systems, continuous and multi-paddock rotational grazing, on soil carbon (C), nutrient cycling and greenhouse gas emissions (GHGs). We then extend our review to explore challenges of incorporating spatial heterogeneity and temporal variability into monitoring and modelling C and nutrient cycling in grazing lands. We revisit two process-based models (i.e., DNDC and DayCent) and two watershed models (i.e., SWAT and VIC) widely used to simulate C, nutrient and water cycles of these lands. Finally we identify research directions for improving the knowledge base which is essential to conserve grazing lands and maintain their ecosystem goods and services.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».