Rural–Urban Migration and Conservation Drive the Ecosystem Services Improvement in China Karst: A Case Study of HuanJiang County, Guangxi
Notice bibliographique
Résumé
Under the transformation from over-cultivation to ecological protection in China’s karst, how human activities affect ecosystem services should be studied. This study combined satellite imagery and ecosystem models (Carnegie-Ames-Stanford Approach (CASA), Revised Universal Soil Loss Equation (RUSLE) and Integrated Valuation of Ecosystem Services and Trade-offs (InVEST)) to evaluate primary ecosystem services (net ecosystem productivity (NEP), soil conservation and water yield) in a typical karst region (Huanjiang County). The relationships between human activities and ecosystem services were also examined. NEP increased from 441.7 g C/m2/yr in 2005 to 582.19 g C/m2/yr in 2015. Soil conservation also increased from 4.7 ton/ha to 5.5 ton/ha. Vegetation recovery and the conversion of farmland to forest, driven largely by restoration programs, contributed to this change. A positive relationship between increases in NEP, soil conservation and rural-urban migration (r = 0.62 and 0.53, P < 0.01, respectively) indicated decreasing human dependence on land reclamation and naturally regenerated vegetation. However, declining water yield from 784.3 to 724.5 mm highlights the trade-off between carbon sequestration and water yield should be considered. Our study suggests that conservation is critical to vegetation recovery in this region and that easing human pressure on land will play an important role.
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 ».