MétaCan
Menu
Retour à la cohorte
Enregistrement W6907322087 · doi:10.18739/a2s17st0k

Effect of grazing, trampling, and fecal deposition on vegetation and soil nutrients, Yukon Kuskokwim Delta Alaska, 2016

2017· dataset· en· W6907322087 sur OpenAlexaboutno aff

Notice bibliographique

RevueCalifornia Digital Library · 2017
Typedataset
Langueen
DomaineEnvironmental Science
ThématiqueRangeland and Wildlife Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHerbivoreGrazingTramplingCarexGooseNutrientForageVegetation (pathology)Ecosystem

Résumé

récupéré en direct d'OpenAlex

Herbivores play a key role in the turnover, gains and losses of nutrients in ecosystems. Because nutrients are often limiting, herbivores influence plant growth and chemistry, and their own resource supply. Herbivores typically affect their environment in three ways: they consume aboveground biomass, they trample soil, and they return nutrients to soil via waste materials. The relative importance of these pathways is often unexplored because it requires conducting experiments that isolate these effects. Millions of geese migrate in the spring to sub-arctic coastal wetlands where they play a key role in determining the amount and quality of forage in this habitat. We conducted two field experiments on Carex subspathacea grazing lawns in western Alaska to investigate how these individual processes (grazing, trampling, and fecal addition) influence foliage quality (C:N) and soil nutrients. We isolated goose herbivory effects with five treatments: grazing only, trampling only, fecal addition only, all three treatments combined (full herbivory), and no herbivory.

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)0,000
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: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,987

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,004
Tête enseignante GPT0,208
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'étudeSans objet
Domainenon disponible
GenreJeu de données

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
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCalifornia Digital LibraryMême sujetRangeland and Wildlife ManagementTravaux en français237 207