Greenhouse gas emissions from riparian zones are related to vegetation type and environmental factors
Notice bibliographique
Résumé
Abstract Riparian zones provide multiple benefits, including streambank stabilization and nutrient abatement. However, there is a knowledge gap on how the type of vegetation and environmental factors (e.g., soil temperature, moisture) within the riparian zone influence CO2 and CH4 emissions. Our objective was to quantify and compare CO2 and CH4 emissions from a herbaceous (grass) riparian zone (GRS), a rehabilitated riparian zone composed of deciduous trees, an undisturbed natural forested riparian zone with deciduous trees (UNF‐D) or coniferous trees (UNF‐C), and an agricultural field. Cumulative soil CO2 emission ranged from 23 to 105 g CO2–C m–2. Carbon dioxide emissions were greatest (p < .05) in the GRS zone and lowest (p < .05) in the UNF‐C riparian zone. The best predictors for CO2 emissions were soil temperature and soil organic carbon (SOC) content. Cumulative CH4 emission ranged from –23 to 253 g CH4–C m–2. Methane emissions were greatest (p < .05) in the UNF‐D and lowest (p < .05) in the GRS riparian zone. The best predictors for CH4 emissions were soil moisture, SOC, and photosynthetic photon flux density. The total CO2–C equivalent (i.e., CH4 + CO2) was greatest (p < .05) for the GRS and lowest (p < .05) for the UNF‐C riparian zone. The environmental factors controlling CO2 and CH4 emissions within the various riparian zones did not change; instead, changes were due to how vegetation within riparian zones influenced these controls.
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 | 0,000 | 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) | 0,001 | 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 ».