MétaCan
Menu
← Retour à la cohorte
Enregistrement W4251005767 · doi:10.22215/etd/2017-12074

The impacts of shrub abundance on microclimate and decomposition in the Canadian Low Arctic

2017· dissertation· en· W4251005767 sur OpenAlexaffabout
Electra Skaarup

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésMicroclimateShrubEnvironmental scienceAbiotic componentDeciduousArcticEvergreenAbundance (ecology)EcologyArctic vegetationEcosystemMossLitterTundraBiology

Résumé

récupéré en direct d'OpenAlex

Increasing deciduous shrub abundance in the Arctic could alter the biotic and abiotic controls on carbon (C) cycling in these ecosystems.Betula glandulosa (Michx.)leaf litter was decomposed at three sites of differing shrub abundance in the Canadian Low Arctic for one year.Summer and winter microclimate along with soil nutrients were monitored and lab incubations simulated autumn temperatures and leaching conditions.At the high shrub site, warmer winter soil temperatures contrasted with cooler summer temperatures likely due to deeper snow and greater thickness of moss and organic soil layers compared to the other sites.However, surface mass loss was significantly higher at the shrubbier site only after a full year suggesting that microclimate was not the only influencing factor.At all sites, large mass losses (21-26%) occurred between August and May with no significant differences among sites.The laboratory study suggested that much of the mass loss occurred shortly after litterfall in autumn.iii Many people were involved in supporting me through this thesis.I'd like to thank my supervisor, Elyn Humphreys, who I learned so much from, and whose patience and guidance made the entire process enjoyable.Thanks to my Mom, Dad, boyfriend and the rest of my family who offered continuous encouragement.Also thanks to the geography grad student family for all of the wonderful memories.

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 enseignants0,035
Score d'incertitude au seuil0,070

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,019
Tête enseignante GPT0,278
Écart entre enseignants0,259 · 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

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetClimate change and permafrost→Travaux en français237 207→