Recruitment of wood to streams in old-growth and second-growth redwood forests, northern California, U.S.A.
Notice bibliographique
Résumé
From an ecological perspective, one aim of forest management is to supply wood to streams to protect and enhance aquatic habitats. An analysis was made of the mass balance of in-stream wood along 9 km of channels in old-growth and 50-year-old second-growth redwood (Sequoia sempervirens (D. Don) Endl.) forests in northern California, U.S.A. High volumes of wood storage in streams in old-growth forests were due primarily to streamside landsliding and bank erosion. Logging-related debris and high forest mortality rates in conifer and deciduous forests contributed to high wood storage in second-growth forests. Volumes of in-stream wood in second-growth forests were similar to volumes in one old-growth system and less than another. Diameters of wood were significantly greater in older forests. Wood recruitment from forest mortality in old-growth forests was low compared with second-growth sites, driven by differences in conifer mortality rates of approximately 0.04 and 0.9%·year 1 , respectively. Contrasting old-growth redwood mortality with values reported for unmanaged Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco) forests in Washington State (0.5%·year 1 ) and unmanaged Sitka spruce (Picea stichensis (Bong.) Carrière) forests in southeastern Alaska (1.2%·year 1 ) point to a strong latitudinal gradient of forest mortality reflected in tree size. The mass balance analysis of in-stream wood also allowed an estimation of bank erosion along large channels and soil creep along small, steep streams.
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 | 0,001 |
| 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) | 0,002 | 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 ».