Reboiser les terres dégradées pour augmenter les stocks de carbone et d’azote du sol et lutter contre les changements climatiques en Haïti
Bibliographic record
Abstract
En Haïti, les terres dégradées abondent et une façon de les restaurer consiste à planter des arbres à croissance rapide. La propagation de ces arbres peut mener à la création de forêts énergétiques durables (FED), puisque le bois peut être utilisé pour alimenter les ménages en énergie et ainsi réduire la pression sur les ressources ligneuses. Les FED peuvent accroître le stockage du carbone (C) et restaurer la fertilité des sols en y fixant l’azote (N), car les espèces plantées sont des légumineuses, soit l’ Acacia mangium , le Leucaena leucocephala et le Prosopis juliflora (ci-après nommés Acacia, Leucena et Prosopis, respectivement). Toutefois, le potentiel de ces espèces pour stocker du C et enrichir les sols en N est méconnu. Ce potentiel a été évalué à court terme, entre 2018 et 2021, dans des FED plantées sur des terres dégradées en Haïti. L’Acacia a stocké plus de C dans la biomasse que les autres espèces, mais les sols sous Leucena ont stocké davantage de C et d’N. Les résultats confirment que les espèces contribueraient à court terme à accroitre les stocks de C et d’N des sols tropicaux dégradés. La plantation de FED est un moyen prometteur pour faire face aux changements climatiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".