MétaCan
Menu
← Retour à la cohorte
Enregistrement W6970112816 · doi:10.5683/sp3/htcig3

Leaf litter decomposition rates in freshwaters differ by ecosystem

2023· dataset· en· W6970112816 sur OpenAlexaff

Notice bibliographique

RevueBorealis · 2023
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésEcosystemLitterPlant litterDetritivoreSTREAMSLake ecosystemDecomposerInvertebrateDecomposition

Résumé

récupéré en direct d'OpenAlex

Terrestrial leaf litter is a large contributor to the metabolism and secondary production of freshwaters. Decomposition rates of leaf litter in freshwaters are often used as a proxy for ecosystem function; however, there are many sources of variation in decomposition rates within and between freshwater ecosystems that still have not been tested. In particular, the variation in decomposition rates between different freshwater ecosystems has rarely been addressed. Here we compared decomposition rates of red alder (Alnus rubra) leaf litter in streams, ponds and lakes within a single forest, while controlling for water temperatures. Using coarse-mesh and fine-mesh bags we found that when accounting for degree days, decomposition rates were higher in streams than ponds, and twice as high in streams than lakes, for either mesh size. The overall densities of invertebrates per leaf pack or per gram of leaf litter were very similar between the three ecosystems. However, detritivores were six-fold or more abundant in leaf packs from streams than those from lakes or ponds. There were fewer specialized macroinvertebrate consumers of leaf litter in the lentic environments. Specialized shredders such as Plecoptera were absent from lentic sites, and their absence in terms of decomposition rates was not compensated for by litter decomposition by generalist taxa. While we did not test the specific mechanisms responsible, differences may be associated with the relative temporal and spatial variation in the abundance of this resource and lack of specialist consumers in lakes and ponds.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,006

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 Opus0,015
Tête enseignante GPT0,284
Écart entre enseignants0,269 · 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'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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBorealis→Travaux en français237 207→