MétaCan
Menu
Retour à la cohorte
Enregistrement W1785947234 · doi:10.1139/x11-027

Comparing selection system and diameter-limit cutting in uneven-aged northern hardwoods using computer simulation

2011· article· en· W1785947234 sur OpenAlexvenueno aff
Kimberly K. Bohn, Ralph D. Nyland, Ruth D. Yanai

Notice bibliographique

RevueCanadian Journal of Forest Research · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSilvicultureClearcuttingSelection (genetic algorithm)Limit (mathematics)MathematicsMapleForest managementEnvironmental scienceStatisticsForestryBotanyBiologyComputer scienceAgroforestryGeography

Résumé

récupéré en direct d'OpenAlex

Comparisons of selection system and diameter-limit cutting based on trials in specific settings have often yielded conflicting results. We used a simulation approach to evaluate sawtimber production over three cutting cycles on 10 sugar maple ( Acer saccharum Marsh.) dominated plots of varying initial forest structure. Treatments on each plot included light, moderate, and heavy intensities of selection system silviculture and diameter-limit cutting. Harvested sawtimber volumes were initially higher on all plots using diameter-limit cutting, but selection system outperformed diameter-limit cutting at later entries on 7 of the 10 plots. Volume differences between cutting types ranged among plots from 0.3 to 26 m 3 ·ha –1 , equating to a less than 1% to as much as a twofold difference. Average volumes from selection system at later entries were 20%–40% greater than diameter-limit cutting, due in part to consistent production in large sawtimber (≥46 cm). Yields from real stands could vary from these simulations where mortality losses (not modeled here) differ between treatments as a result of competition or logging damage. Findings suggest that cumulative sawtimber volumes from repeated selection system silviculture could eventually surpass that of diameter-limit cutting, but at a rate depending on initial stand conditions and harvesting intensity.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,347
Score d'incertitude au seuil0,916

Scores Codex et Gemma par catégorie

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

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 Opus0,117
Tête enseignante GPT0,310
Écart entre enseignants0,193 · 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 tête enseignante, 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

Citations14
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetForest Management and PolicyTravaux en français237 207