MétaCan
Menu
Retour à la cohorte
Enregistrement W4411240959 · doi:10.1680/jenes.24.00061

Cascade reservoirs on nitrogen fractions in upper Mekong sediments against natural river

2025· article· en· W4411240959 sur OpenAlexvenueno aff
Jinyun Tang, Zhengjian Yang, Jun Ma, Yaqian Xu, Jingzhi Yu, Zhangpeng Wang, Zeyi Tao

Notice bibliographique

RevueJournal of Environmental Engineering and Science · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensnon disponible
Organismes subventionnairesNatural Science Foundation of Hubei ProvinceNational Natural Science Foundation of China
Mots-clésNatural (archaeology)Environmental scienceMekong riverNitrogenEnvironmental chemistryCascadeGeologyHydrology (agriculture)ChemistryGeomorphologyChromatographyPaleontologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

The construction of cascade hydropower dams in the Lancang River Basin of Southwest China significantly affects sediment nitrogen fractions. To assess these impacts, we contrasted the dammed Lancang River with the undammed Nujiang River. Using the recommended Ruttenberg sequential extraction process, we determined five nitrogen fractions: free nitrogen (F-N), exchangeable nitrogen (Ex-N), carbonate-associated nitrogen (CO3-N), ironmanganese oxides-bound nitrogen (IM-N), and organic nitrogen (Org-N). There were considerable differences between the properties of sediments across the two rivers and had their effects on nitrogen fraction distribution. The cascade reservoirs possessed higher levels of transferable nitrogen (TranN) and total inorganic nitrogen (TIN) than the natural river section. Nitrogen composition in the natural river was as per Org-N > CO3-N > IM-N > Ex-N > F-N, but at certain points in reservoirs, it altered to Org-N > IM-N > CO3-N > Ex-N > F-N. This means that cascade reservoirs favor the release of nitrogen and enhance bioavailable nitrogen. Dynamics of nitrogen fractions depend on environmental factors such as altered water level, reduced flow velocity, silt interception, resuspension of sediment, particle-size distribution, and mineral composition, and axis I explains over 70% of variance.

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 enseignants0,040
Score d'incertitude au seuil0,079

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,004
Tête enseignante GPT0,203
Écart entre enseignants0,199 · 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental Engineering and ScienceMême sujetHydrology and Watershed Management StudiesTravaux en français237 207