MétaCan
Menu
Retour à la cohorte
Enregistrement W2076319099 · doi:10.1139/x10-019

An analysis of sensitivities contributing measurement error to Resistograph values

2010· article· en· W2076319099 sur OpenAlexaffvenue
Nicholas K. Ukrainetz, Gregory A. O’Neill

Notice bibliographique

RevueCanadian Journal of Forest Research · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensGovernment of British Columbia
Organismes subventionnairesnon disponible
Mots-clésDrillStatisticsSensitivity (control systems)Battery (electricity)Sampling (signal processing)Index (typography)Environmental scienceMathematicsDrillingSimulationComputer scienceEngineeringPhysicsTelecommunicationsMechanical engineeringElectronic engineering

Résumé

récupéré en direct d'OpenAlex

As a hand-held, portable tool capable of assessing wood density of standing trees quickly and inexpensively, the Resistograph holds considerable potential application for evaluating forest genetics field tests. However, phenotypic correlations between Resistograph density index values and values from conventional wood density assessment techniques are weak. In an effort to investigate the extent to which environmental, operator, or instrument factors may affect density index values, we evaluated the sensitivity of Resistograph measurements to seven experimental factors. Drill bit flexion (a measure of operator steadiness), moisture content of wood, and air temperature significantly affected Resistograph density index values, while the influence of knots is minimized at a vertical distance of 3 cm. Battery type, sharpness of the drill bit (at least up to 350 uses), and battery charge (at least up to 310 uses with a 12 V motorcycle battery) had no significant effect on density index. By ensuring that the operator remains steady while drilling, sampling only live trees, only when air temperatures are above freezing, and by drilling at least 3 cm vertical distance from knots, measurement error should be minimized. Three measurements per tree are required to estimate density index to within 3 units 19 times out of 20.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,893
Score d'incertitude au seuil0,978

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,038
Tête enseignante GPT0,310
Écart entre enseignants0,272 · 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 tête enseignante, 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

Citations40
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

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