Economic impacts of forest pests: a case study of spruce budworm outbreaks and control in New Brunswick, Canada
Notice bibliographique
Résumé
We investigated the potential economic impacts of future spruce budworm (SBW) ( Choristoneura fumiferana (Clemens)) outbreaks on 2.8 million hectares of Crown forest land in New Brunswick by coupling an advanced Spruce Budworm Decision Support System (SBW DSS) model with a dynamic computable general equilibrium model. A total of 16 alternative scenarios were evaluated, including two SBW outbreak severities (moderate versus severe), four SBW control program levels (protecting 0%, 10%, 20%, and 40% of susceptible Crown land forest area), and two pest management strategies (“without” versus “with” replanning harvest scheduling and salvage). The “without” replanning harvest scheduling and salvage strategy findings indicated that, under uncontrolled moderate and severe SBW outbreaks, total output in the New Brunswick economy over the 2012–2041 period would decline in present-value terms by CDN$3.3 billion and $4.7 billion, respectively. SBW control via aerial spraying was shown to reduce the negative impacts on output by up to 66% when protecting 40% of susceptible area. Combining SBW control with replanning harvest scheduling and salvage strategy under moderate and severe outbreaks would reduce the negative impacts on output by a further 1%–18% depending on the level of control implemented. These findings can help forest managers assess the direct and indirect economic effects of forest pest disturbances on regional economies and can also be used together with other sustainable forest management indicators to help broaden the scope of SBW and other forest pest management decision-making.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».