MétaCan
Menu
Retour à la cohorte
Enregistrement W2096266625 · doi:10.1093/forestry/cpt026

Are biotic disturbance agents challenging basic tenets of growth and yield and sustainable forest management?

2013· article· en· W2096266625 sur OpenAlexaff
Alexandra Woods, K Dave Coates

Notice bibliographique

RevueForestry An International Journal of Forest Research · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensMinistry of Forests
Organismes subventionnairesU.S. Forest Service
Mots-clésThinningPredictabilityDisturbance (geology)Abiotic componentProductivityForest managementAgroforestryEcologyForest healthClimate changeYield (engineering)Natural resource economicsEnvironmental scienceEnvironmental resource managementBiologyEconomicsMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

We examined the performance of older even-aged plantations to check the validity of three of the most fundamental tenets of forest site productivity: the height–age site index, Eichhorn's rule and the thinning response hypothesis. We assessed the condition of >14 000 trees in 60 randomly selected plantations to determine whether the stands were following site productivity expectations and growth and yield projections. We evaluated the health status of all the trees by height class (<2, 2–4 and >4 m tall). We found strong evidence that older, managed plantations are subject to damage agents that are targeting dominant trees. We found natural ingress was not filling voids created by loss of planted trees. Our findings were clearly in conflict with the assumptions of low and stable levels of loss of dominant trees in aging plantations. The tendency of forest growth models to emphasize stability and predictability needs to be reconsidered. The assumptions driving the traditional forest growth models were developed largely in the absence of biotic and abiotic damage agents and certainly prior to the knowledge of climate change. The combined influence of these two drivers must be better accounted for in growth models through more intensive stand and forest level monitoring.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,021
Score d'incertitude au seuil0,479

Scores Codex et Gemma par catégorie

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

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 Opus0,027
Tête enseignante GPT0,295
Écart entre enseignants0,268 · 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

Citations29
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestry An International Journal of Forest ResearchMême sujetForest ecology and managementTravaux en français237 207