Time since death and fall of Norway spruce logs in old-growth and selectively cut boreal forest
Notice bibliographique
Résumé
To estimate the age of Norway spruce (Picea abies (L.) Karst.) logs by means of decay classes, and to assess how long it takes for downed logs to decompose, we dated logs dendrochronologically by applying 5- and 8-grade decay classification systems. Study sites were chosen in old-growth and previously selectively cut forest stands in boreal south-central Scandinavia; 113 logs were dated to the number of years since death, 120 were dated to the number of years since fall, and 61 logs were dated to both. The number of years from death to fall showed a negative exponential distribution, with a mean of 22 years and a range of 091 years. Decay classes of logs (8-grade scale) reflected time since fall (R 2 = 0.58) better than time since death (R 2 = 0.27) in a linear regression model. This result is due to the lower decomposition rate of standing snags. Therefore, the decomposition time of logs should be divided into two periods: time from death to fall, which varies considerably, and time after fall, which appears to follow a linear relationship with decay class. The model predicted that it takes 100 years after fall for downed logs to decompose completely (reaching decay class 8) in old-growth stands. Logs in selectively cut stands appeared to decompose faster (64 years), which is explained by a sample shortage of old logs resulting from previous cuttings. We conclude that the decomposition time of downed logs may be severely underestimated when data is retrospectively compiled from previously logged forest stands.
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 | 0,001 | 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 | 0,001 |
| 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 ».