MétaCan
Menu
Retour à la cohorte
Enregistrement W4392646304 · doi:10.3390/f15030517

Research Progress on Forest Eco-Product Value Realization and Eco-Industry: The Inspiration for Planted Forests in Karst Desertification Control

2024· article· en· W4392646304 sur OpenAlexaboutno aff
Zefu Zhang, Kangning Xiong, Yu Zhang, Youze Ning

Notice bibliographique

RevueForests · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife-Road Interactions and Conservation
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Forest Service
Mots-clésKarstDesertificationChinaGeographyValue (mathematics)Product (mathematics)EcologyEnvironmental scienceForestryEnvironmental resource managementEnvironmental protectionMathematicsBiologyStatisticsArchaeology

Résumé

récupéré en direct d'OpenAlex

Karst desertification (KD) is a phenomenon in which the surface of the karst region presents a landscape similar to desertification, which restricts the social development of the karst region. How to develop values based on karst desertification control is the focus of current research, with the continuous promotion of karst desertification control (KDC). Planted forests for KDC are an important part of the value realization of ecological products (EPs) and ecological industry (EI) in karst areas. The statistical analysis of 265 relevant papers in this paper shows the following: (1) the literature focuses on EP and EI research; (2) the overall research shows a year-on-year growth trend. It includes three stages: budding (2001–2006), fluctuating growth (2007–2015) and rapid development (2016–2023), with 6, 58 and 211 articles published in each stage, respectively; (3) China is the country with the largest number of articles published, followed by the United States and then Canada, accounting for 47.74%, 11.93% and 6.17%. This paper summarizes the landmark results and key scientific issues to be solved in the study directions of EP supply capacity, EP value accounting, eco-products value realization (EPVR) and EI, taking into account the above results.

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)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,184
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,044
Tête enseignante GPT0,336
Écart entre enseignants0,293 · 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

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetWildlife-Road Interactions and ConservationTravaux en français237 207