MétaCan
Menu
← Retour à la cohorte
Enregistrement W2116194444 · doi:10.1139/x05-158

Tree growth and mortality after small-group harvesting in New Zealand old-growth <i>Nothofagus</i> forests

2005· article· en· W2116194444 sur OpenAlexvenueno aff
Susan K. Wiser, Robert B. Allen, U. Benecke, Gordon Baker, Duane A. Peltzer

Notice bibliographique

RevueCanadian Journal of Forest Research · 2005
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEcology and Vegetation Dynamics Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBeechNothofagusCanopyBiologyFagaceaeBotanyEcologyForestryGeography

Résumé

récupéré en direct d'OpenAlex

In New Zealand uncertainty about how silvicultural systems influence growth and mortality of residual beech trees has caused controversy surrounding sustainable beech management. We assess the impact of group-selection harvesting on residual-tree growth and mortality in old-growth hard beech (Nothofagus truncata (Col.) Ckn.) and mixed red beech – silver beech (Nothofagus fusca (Hook. F.) Oerst. – Nothofagus menziesii (Hook. F.) Oerst.) forests. Proximity to cuts had a major influence on growth that varied with both species and initial tree diameter. For all three beech species, diameter increment of small trees (<60 cm DBH) in intact forest was less than that of large trees, but smaller trees grew two- to four-fold faster along cut edges than in intact forest. In contrast, growth of large hard beech and silver beech and intermediate-sized red beech trees did not vary with cut proximity, suggesting that these main canopy trees were growing at a maximum potential rate. Edge trees were more likely to die as their level of Platypus beetle infection increased, but overall mortality rates were unrelated to harvest proximity. These results demonstrate that complex mortality and growth responses to harvesting should be incorporated into forest growth models upon which silvicultural systems that sustain the structural, compositional, and functional characteristics of forests are based.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,176
Score d'incertitude au seuil0,351

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,029
Tête enseignante GPT0,282
Écart entre enseignants0,253 · 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 source (Gemma direct ou Codex distillé), 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

Citations30
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest Research→Même sujetEcology and Vegetation Dynamics Studies→Travaux en français237 207→