MétaCan
Menu
Retour à la cohorte
Enregistrement W135215765

Changes in walnut and other hardwood markets: 1990-2010

2013· article· en· W135215765 sur OpenAlexaboutno aff
William G. Luppold, Scott A. Bowe

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLiberian dollarAgricultural economicsVeneerChinaHardwoodEconomicsJuglandaceaeEconomyGeographyJuglansHorticultureBotanyBiology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

After a decade of record demand in the 1990s, production and price of hardwood lumber declined moderately between 1999 and 2005 and then plummeted between 2005 and 2009. The decline in hardwood lumber price affected all species. However, walnut was the last species to decline in price, starting in 2007, and has had the largest price increase since hitting its low point in early 2010. The most obvious factor affecting walnut lumber price is the export market. As exports of walnut lumber declined in the 1990s, walnut lumber price was surpassed by that of black cherry and hard maple. As export and domestic demand for these species began to decline in the 2000s, walnut re-emerged as the highest priced U.S. species. While lumber exports have a considerable impact on lumber price, walnut log exports appear to have even a greater impact on saw log and veneer log prices. Walnut products exported to China increased in the late 1990s, rising from less than $0.2 million in 1996 to more than $10.5 million in 2000. By 2007, China had become the largest export market for walnut logs and Canada had become the largest international market for walnut lumber and veneer. Exports will remain an important aspect of the walnut market if the value of the dollar continues to decrease and demand by China and other countries continues to increase.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,082
Score d'incertitude au seuil0,163

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,010
Tête enseignante GPT0,208
Écart entre enseignants0,198 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetForest Management and PolicyTravaux en français237 207