MétaCan
Menu
Retour à la cohorte
Enregistrement W4297731905 · doi:10.15454/1.517402718167511e12

Potentiel d’atténuation des changements climatiques par les couverts intermédiaires.

2018· preprint· en· W4297731905 sur OpenAlexaff
Bruno Mary, Morgan Ferlicoq, Gaétan Pique, Dominique Carrer, Jean-François Dejoux, Gérard Dedieu

Notice bibliographique

RevueHAL (Le Centre pour la Communication Scientifique Directe) · 2018
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgroforestry and silvopastoral systems
Établissements canadiensImpact
Organismes subventionnairesnon disponible
Mots-clésClimate changeCover (algebra)AgroforestryCover cropEnvironmental scienceGeographyEngineeringEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Cover crops have long been used for their ability to reduce erosion, reduce nitrate leaching and improve soil properties in general. Since the application of the European directive on nitrate in vulnerable zones, the use of cover crops has increased and, in a climate change context, there is a growing interest for their ability to increase soil organic carbon content. This practice is considered as fundamental in the “4 per 1000” initiative that was launched after the COP21. In this paper, we evaluate the potential of cover crops to increase carbon storage in agricultural soils but also the positive and negative effects of cover crops on climate. We consider both the biogeochemical effects (Carbon storage in soil, N2O emissions, emissions from field operations) and biophysical effects (changes in albedo and energy balance at soil surface) that modify the radiative forcing (net climatic effect) of plots where cover crops are grown in comparison with bare fallow plots. This innovative integrated approach is based on recent literature, ongoing research and meta-analysis. The synthesis of these studies shows that in most cases there is a synergy between the biogeochemical cooling effects and the biophysical ones. A more systematic accounting of all those processes could increase the climate mitigation efficiency of cover crops.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,806
Score d'incertitude au seuil0,791

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
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 Opus0,031
Tête enseignante GPT0,235
Écart entre enseignants0,204 · 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 tête enseignante, 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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHAL (Le Centre pour la Communication Scientifique Directe)Même sujetAgroforestry and silvopastoral systemsTravaux en français237 207