MétaCan
Menu
Retour à la cohorte
Enregistrement W2149615172 · doi:10.5424/fs/2012212-02230

Climate change and forest diseases: using today’s knowledge to address future challenges

2012· article· en· W2149615172 sur OpenAlexafffund
Rona N. Sturrock

Notice bibliographique

RevueForest Systems · 2012
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant Pathogens and Resistance
Établissements canadiensNatural Resources CanadaCanadian Forest Service
Organismes subventionnairesCanadian Forest ServiceNatural Resources CanadaU.S. Forest Service
Mots-clésClimate changeForest managementForest ecologyEnvironmental resource managementPsychological resilienceGeographyTree healthAgroforestryEcologyEcosystemEnvironmental scienceBiology

Résumé

récupéré en direct d'OpenAlex

The health of the earth’s forests and urban green spaces is increasingly challenged by the outcomes of human activities, including global climate change. As climate changes, the role and impact of diseases on trees in both forest ecosystems and in urban settings will also change. Knowledge of relationships between climate variables and diseases affecting forest and urban trees is reviewed, with specific emphasis on those affecting foliage, shoots, and stems. Evidence that forest diseases are already responding to the earth’s changing climate is examined (e.g., Dothistroma needle blight in northern British Columbia) as are predicted scenarios for future changes in impact on forests by other tree diseases. Outbreaks of tree diseases caused by native and alien pathogens are predicted to become more frequent and intense – this and other general predictions about the effects of climate change on forest and tree diseases are discussed. Despite the uncertainty that accompanies such predictions it is imperative that researchers, forest and urban tree managers, and policy makers work together to develop and implement management strategies that enhance the resilience of the worlds’ forests and urbanized trees. Strategies discussed include monitoring, forecasting, planning, and mitigation.

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)0,000
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 enseignants0,097
Score d'incertitude au seuil0,251

Scores Codex et Gemma par catégorie

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

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 Opus0,068
Tête enseignante GPT0,251
Écart entre enseignants0,183 · 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

Citations31
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueForest SystemsMême sujetPlant Pathogens and ResistanceTravaux en français237 207