Biochar Affects Greenhouse Gas Emissions from Urban Forestry Waste
Notice bibliographique
Résumé
Urban forests are vital to cities as they provide a range of ecosystem services, including carbon (C) sequestration, air purification, and urban cooling. However, urban forestry also generates significant quantities of organic waste, such as grass clippings, pruned tree branches, and fallen tree leaves and woody debris, contributing to the release of greenhouse gases (GHGs) if those organic wastes are improperly managed. We studied the effect of wheat straw biochar produced at 500 °C on GHG emissions from two common types of urban forestry waste: green waste (GW) and yard waste (YW), using a 100-day laboratory incubation experiment. Compared to YW, GW consistently emitted more CO₂ throughout the incubation period, but biochar addition reduced CO₂ emissions by 9.8% and 17.6% from GW and YW, respectively, by day 100. Biochar application increased CH₄ emissions from GW, peaking on day 70 at a rate of 80.2 mg C kg⁻¹. The YW and biochar-amended YW exhibited negative cumulative CH₄ emissions, acting as CH₄ sinks; however, the addition of biochar weakened the CH₄ sink of YW. Biochar addition increased N₂O emissions from GW by 94.3% but decreased its emissions from YW by 61.4% by day 100. The global warming potential was highest in GW added with biochar, at 125.3 g CO₂-eq kg⁻¹, resulting from biochar addition exacerbating GHG emissions from GW. Our findings emphasize the importance of evaluating the effect of biochar on GHG emissions for specific urban forestry waste. Different biochars need to be tested to find one that can mitigate GHG emissions from GW.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,023 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».