QQ客服 官方微博 反馈留言

浏览/检索结果: 共5条，第1-5条 帮助 限定条件 发表日期：2023    专题：成都山地灾害与环境研究所    第一署名单位    第一作者单位    通讯作者单位     已选(0)清除 条数/页：5101520253035404550556065707580859095100   排序方式：请选择作者升序作者降序题名升序题名降序发表日期升序发表日期降序提交时间升序提交时间降序 Soil organic carbon accumulation and microbial carbon use efficiency in subalpine coniferous forest as influenced by forest floor vegetative communities 期刊论文 GEODERMA, 2023, 卷号: 438, 页码: 12 作者:  Xiong, Jia;  Wang, Genxu;  Richter, Andreas;  Deluca, Thomas H.;  Zhang, Wei 收藏  |  浏览/下载：11/0  |  提交时间：2023/11/17 Microbial metabolism  Microbial biomass turnover  PLFA  Understory communities  Vascular and nonvascular plants   The Stimulation Effect of Nitrogen-Addition on Soil Nitrogen Leaching Weakens Over Time in an Alpine Forest 期刊论文 JOURNAL OF GEOPHYSICAL RESEARCH-BIOGEOSCIENCES, 2023, 卷号: 128, 期号: 10, 页码: 13 作者:  Peng, Yuanrui;  Wang, Tao;  Ao, Jing;  Liu, Xinyu;  Herath, Saman 收藏  |  浏览/下载：0/0  |  提交时间：2024/02/27 nitrogen leaching  duration  deposition  alpine forest  nitrogen limitation   A Practical Algorithm for Correcting Topographical Effects on Global GPP Products 期刊论文 JOURNAL OF GEOPHYSICAL RESEARCH-BIOGEOSCIENCES, 2023, 卷号: 128, 期号: 8, 页码: 21 作者:  Xie, Xinyao;  Chen, Jing M.;  Yuan, Wenping;  Guan, Xiaobin;  Jin, Huaan 收藏  |  浏览/下载：6/0  |  提交时间：2023/11/16 GPP data sets  vegetation photosynthesis  topographical effect  mountainous areas  BEPS-TerrainLab   Unearthing the importance of soil development in total phosphorus distribution in China's mountains 期刊论文 CATENA, 2023, 卷号: 228, 页码: 11 作者:  Yang, Wenzheng;  Bing, Haijian;  Tian, Xin;  Liu, Ye;  Zhu, He 收藏  |  浏览/下载：10/0  |  提交时间：2023/10/30 Phosphorus  Spatial distribution  Soil development  Driving factors  Mountain regions   Mapping Fire Severity in Southwest China Using the Combination of Sentinel 2 and GF Series Satellite Images 期刊论文 SENSORS, 2023, 卷号: 23, 期号: 5, 页码: 2492 作者:  Zhang, Xiyu;  Fan, Jianrong;  Zhou, Jun;  Gui, Linhua;  Bi, Yongqing 收藏  |  浏览/下载：0/0  |  提交时间：2024/05/23 fire severity  high-resolution satellite images  GF series satellite  machine learning  random forest