MétaCan
Menu
← Retour à la cohorte
Enregistrement W4200249184 · doi:10.1139/cjfr-2021-0246

Thirty-year effects of liming on soil and foliage chemistry and growth of northern hardwoods in Pennsylvania, USA

2021· article· en· W4200249184 sur OpenAlexvenueno aff
Robert P. Long, Scott W. Bailey, Stephen B. Horsley, Thomas J. Hall

Notice bibliographique

RevueCanadian Journal of Forest Research · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLimeBeechBasal areaHardwoodYellow birchAceraceaeMapleSoil waterNutrientChemistryHorticultureBotanyAgronomyForestryEnvironmental scienceBiologyGeographySoil science

Résumé

récupéré en direct d'OpenAlex

The longevity of a single 22.4 Mg·ha−1 application of dolomitic limestone at four northern hardwood stands was evaluated over 30 years (1986–2016) to determine whether changes in soils, foliage, and tree growth were sustained on the unglaciated Allegheny Plateau in northern Pennsylvania, USA. In limed plots, soils, sampled to 45–55 cm depth, and sugar maple (Acer saccharum Marsh.) and black cherry (Prunus serotina Ehrh.) foliage had significantly (P ≤ 0.05) greater concentrations of calcium (Ca) and magnesium (Mg) through 2016 compared with samples from unlimed plots. Ca and Mg capitals (g·m−2) in the Oi through A horizons combined were greater on limed plots than unlimed plots, largely due to increases in the thickness and nutrient concentration in the A horizon. Over 30 years, sugar maple basal area increment (cm2·year−1 BAINC) was greater in limed plots (30.6 cm2·year−1 vs unlimed 13.3), American beech (Fagus grandifolia Ehrh.) BAINC was unaffected by lime application, and black cherry BAINC was reduced in limed plots compared with unlimed plots. The sustained effect of this one-time lime treatment shows the strong role of efficient nutrient cycling in forests and suggests that the benefits over a substantial portion of a stand rotation may increase the feasibility of operational liming.

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)0,000
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 enseignants0,018
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,012
Tête enseignante GPT0,247
Écart entre enseignants0,234 · 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

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest Research→Même sujetForest ecology and management→Travaux en français237 207→