Seagrass biomass and sediment carbon in conserved and disturbed seascape
Notice bibliographique
Résumé
Abstract Despite the Philippines having one of the widest extents and most diverse seagrasses, there are limited reports on the contribution of seagrass vegetation health to organic carbon (OC). Comparative assessments of OC between conserved and disturbed seagrass meadows in a seascape are also lacking. Conservation programs (e.g., marine protected area [MPA]) contribute to the maintenance of ecosystem health and OC storage in seagrass. However, disturbances may negate the effects of MPAs. Disturbances are often due to coastal development pressures linked to the need for industry, food production, and human settlement. Here, we assessed and compared the aboveground biomass (AGB), belowground biomass (BGB), and OC between conserved and disturbed seagrass meadows, then, tested its correlation with vegetation and water quality variables. The study was conducted in Oyon Bay (northwest Philippines), one of the key seascape MPAs in the Philippines. The bay experienced disturbances from a coal power plant, aquaculture, and human settlements for approximately 30 years. Results showed 7× higher AGB, 11× higher BGB, and 1.7× higher OC in conserved sites. The low biomass and OC values in the disturbed sites were correlated to poor vegetation and water quality conditions (particularly high turbidity [ ρ = 0.38], high phosphates [ ρ = −0.19], and low dissolved oxygen [ ρ = −0.31]). Our study showed the effectiveness of MPAs in maintaining ecosystem health and OC in seagrass, but the magnitude of disturbances lessened the benefits from MPAs. Our results have implications on the over‐ or under‐estimation of carbon sequestration not just in Philippine seagrasses but also in most Southeast Asian countries facing similar coastal development pressures.
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 | 0,001 | 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 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 ».