MétaCan
Menu
Retour à la cohorte
Enregistrement W2029974598 · doi:10.1139/x04-133

Needle and branch biomass turnover rates of Norway spruce (<i>Picea abies</i>)

2004· article· en· W2029974598 sur OpenAlexvenueno aff
Petteri Muukkonen, Aleksi Lehtonen

Notice bibliographique

RevueCanadian Journal of Forest Research · 2004
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPicea abiesBiomass (ecology)Environmental scienceCrown (dentistry)LitterTurnoverPlant litterForestryBotanyEcologyEcosystemBiologyGeography

Résumé

récupéré en direct d'OpenAlex

Turnover rates of needle and branch biomass, number of needle cohorts, and needle-shed dynamics were modelled for Norway spruce (Picea abies (L.) Karst.) in southern Finland. Biomass turnover rates, vertical distribution, and biomass of the branches were modelled simultaneously. The rate of needle turnover was determined from needle-shed dynamics. The potential litterfall of branches was modelled by combining the vertical distribution of branch biomass and the annual change in height of the crown base. The mean annual turnover rates for needle and branch biomass are 0.10 and 0.0125, respectively. At the age of 5.5 years, 50% of the needles in the needle cohort have been shed. In addition, at the age of 12 years, all needles of the needle cohort have been shed. Turnover of branch biomass was dependent on stand density and tree size. The modelled rates of biomass turnover agreed with measurements of needle and branch litterfall. Many process- or inventory-based models use a single turnover rate for branch litterfall based on literature, and some of the models are fully ignoring the litterfall of branches. Species-specific turnover rates or dynamic litterfall models should be applied when carbon flows in forest stands are modelled.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,021
Tête enseignante GPT0,274
Écart entre enseignants0,254 · 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

Citations62
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetForest ecology and managementTravaux en français237 207