Modelling the Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco) site index from site factors in Portugal
Notice bibliographique
Résumé
Although the speed of growth and adaptability of the north-west American conifer Douglas-fir has been recognized in Portugal, it represents only ~0.1 per cent of the total forest cover. This small area is spread across the mountainous areas of the north and centre of the country. This study models Douglas-fir productivity based on site factors and estimates the potential area for Douglas-fir in Portugal. Soil, climate and topographic data were collected on 39 plots across the range of sites where Douglas-fir grows in Portugal. The analysis of the data followed three steps: (1) selection of site factors related to the variation in the site index; (2) choice of candidate models; and (3) consideration of the best model to explain and predict the site index from site factor variables. The best multiple linear regression model explained 90 per cent of site index variation but included variables not readily available in the field. A model using digitized site data explained 54 per cent of the variation in the site index and mapped the areas with potential for Douglas-fir growth in Portugal. It is estimated that a potential Douglas-fir planting area of 250 000 ha exists where trees will exceed 17 m dominant height at age 30 years. This would correspond to 8 per cent of the existing Portuguese forest area. The best sites for Douglas-fir growth are located along north coastal to central regions at altitudes between 500 m and 1000 m with moisture deficit (precipitation minus evapotranspiration) above 1000 mm. Areas with acceptable sites for Douglas-fir growth are located in the north and centre of Portugal at 700–1000 m elevation and have a moisture deficit above 400 mm
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».