Reevaluating the self-thinning boundary line for ponderosa pine (<i>Pinus ponderosa</i>) forests
Notice bibliographique
Résumé
The self-thinning rule has been used extensively to predict population dynamics under intraspecific and interspecific competition. In forestry, it is an important silvicultural concept for maintaining stand health in the face of climate change and biotic stress, but uncertainty exists because traditional self-thinning limits were set subjectively without regard to site quality. We addressed this by analyzing ponderosa pine (Pinus ponderosa Lawson & C. Lawson) data from 109 research plots measured repeatedly and 59 inventory plots measured once across California. Self-thinning boundaries were fitted to the data with quantile regression and stochastic frontier function (SFF) techniques with and without site index (SI) as a covariate. The models from both methods fitted the data well with either research plots or all plots. Slopes for size-density trajectories were –0.45 with the 0.99 quantile and –0.47 for SFF. Maximum stand density indices (SDI) were 1250 trees per hectare (TPH) with the 0.99 quantile and 1050–1060 TPH with SFF. Mortality occurred when site occupancy from SFF reached 0.75, suggesting a zone of imminent mortality. Curvilinear trends in maximum SDI across SI for both methods indicate that self-thinning varies with site quality. Any management regimes that increase site quality and productivity will increase the self-thinning boundary.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».