MétaCan
Menu
Retour à la cohorte
Enregistrement W2099849003 · doi:10.1139/x09-037

Influences of riparian logging and in-stream large wood removal on pool habitat and salmonid density and biomass: a meta-analysis

2009· article· en· W2099849003 sur OpenAlexaffvenue
Eric Mellina, Scott G. Hinch

Notice bibliographique

RevueCanadian Journal of Forest Research · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Sediment Transport Processes
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésOncorhynchusRiparian zoneLoggingBiomass (ecology)Rainbow troutTroutEnvironmental scienceHabitatFisherySTREAMSEcologyBiologyFish <Actinopterygii>

Résumé

récupéré en direct d'OpenAlex

We conducted a meta-analysis using data from 37 studies to assess whether the effects of streamside clear-cut logging on large wood (LW), pool size and number, and summertime salmonid density and standing crop biomass were influenced by stream size and gradient, time since logging was last conducted (1–100 years), and removal of in-stream LW. Age-specific (age 0 (fry) and age 1+ (juveniles)) and species-specific (coho salmon ( Oncorhynchus kisutch ), cutthroat trout ( Oncorhynchus clarki ), and steelhead and rainbow trout ( Oncorhynchus mykiss )) comparisons were also made. The majority of studies reported negative postlogging responses for LW and pool habitat but positive responses for salmonid density and biomass, with the greatest reductions in all variables generally associated with a thorough removal of in-stream LW. The magnitude of postlogging responses was largely independent of stream size, gradient, and time since logging last occurred. In terms of density and biomass, juveniles were more negatively affected by logging than fry. Of the surveyed species, steelhead trout appeared to be most resilient to riparian logging. Within the time frame covered by the analyses, streams whose riparian zones have been logged may be able to sustain salmonid populations (and even exceed preharvest levels) as long as rigorous removal of LW is not undertaken.

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)0,002
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 enseignants0,363
Score d'incertitude au seuil0,876

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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)0,0000,000

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 Opus0,043
Tête enseignante GPT0,302
Écart entre enseignants0,258 · 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

Citations61
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetHydrology and Sediment Transport ProcessesTravaux en français237 207