MétaCan
Menu
Retour à la cohorte
Enregistrement W6926181911 · doi:10.18739/a2xw47z2f

Coastal tundra heath responses to experimental flooding and warming, Yukon-Kuskokwim Delta (western Alaska, United States), 2022-2024

2025· dataset· en· W6926181911 sur OpenAlexaboutno aff

Notice bibliographique

RevueCalifornia Digital Library · 2025
Typedataset
Langueen
DomaineImmunology and Microbiology
ThématiqueAquaculture disease management and microbiota
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTundraFlooding (psychology)DeltaEcosystemPermafrostWetlandVegetation (pathology)Organic matter

Résumé

récupéré en direct d'OpenAlex

While the Arctic warms rapidly, several coastal tundra regions face increasing threats from altered flooding regimes. Yet, how flooding shapes coastal tundra ecosystems remains largely unknown. We experimentally examined how increased tidal flooding, under both ambient and elevated temperatures, influences key drivers of ecosystem functioning: micro-environment, vegetation, and organic matter decomposition. Data were collected across three summers (2022-2024) in a low-Arctic coastal tundra heath of the Yukon-Kuskokwim Delta (Alaska) – one of the largest high-latitude riverine deltas in North America. In May 2022, soon after snowmelt, we selected seven blocks within the focal tundra heath. Each block contained six plots, for a total of 42 plots. Plots within blocks were randomly assigned to a factorial combination of experimental monthly tidal floods (three levels: no-flooding, low-severity flooding, and high-severity flooding) and experimental warming (two levels: ambient and higher temperatures). We focused on three response categories: (1) micro-environmental changes, including air and soil temperatures, soil active layer thickness, redox potential, salinity, potential of hydrogen (pH), and chemistry; (2) vegetation responses, such as aboveground community composition and biomass, plant height, and root production; and (3) responses of organic matter decomposition (mass loss, decomposition rate, and stabilization factor).

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,061

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,009
Tête enseignante GPT0,235
Écart entre enseignants0,226 · 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'étudeExpérimental (laboratoire)
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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCalifornia Digital LibraryMême sujetAquaculture disease management and microbiotaTravaux en français237 207