Urbanization enhances soil nitrogen mineralization mainly by increasing particulate organic nitrogen fractions in urban park greenspaces: A case study in Hangzhou, China
Notice bibliographique
Résumé
In addition to the direct input of inorganic nitrogen (N), the supply of plant-available N driven by soil organic N mineralization is crucial for the development of urban greenspaces, which are essential components of urban ecosystems. Soil N mineralization may vary with urbanization, but the responses of soil N mineralization to different urbanization intensities remain controversial. In this study, we investigated the responses of urban park soil (planted with trees, shrubs or grasses) N mineralization to different urbanization intensities (low, medium and high) in Hangzhou, China. To further evaluate the relative importance of soil organic N fractions in explaining variations in N mineralization, we analyzed the responses of soil particulate organic N (PON) and mineral-associated organic N (MAON) to different urbanization intensities, as well as their relationships with N mineralization. Our results indicated that soil N mineralization increased with increasing urbanization intensity, likely due to increases in soil organic carbon concentration, clay content, microbial biomass and activity under high urbanization intensity. Notably, compared to soil MAON , the increase in soil PON induced by urbanization was more pronounced, and its relationship with soil N mineralization was stronger. Furthermore, soil N mineralization and its relationships with soil organic N fractions varied substantially among different vegetation types . These findings suggest that researchers and urban planners should evaluate the N supply mineralized from soil organic N fractions, particularly PON fractions, to optimize N and vegetation management strategies in urban greenspaces under different urbanization intensities.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».