A wood density and aboveground biomass variability assessment using pre-felling inventory data in Costa Rica
Notice bibliographique
Résumé
Abstract Background The high spatio-temporal variability of aboveground biomass (AGB) in tropical forests is a large source of uncertainty in forest carbon stock estimation. Due to their spatial distribution and sampling intensity, pre-felling inventories are a potential source of ground level data that could help reduce this uncertainty at larger spatial scales. Further, exploring the factors known to influence tropical forest biomass, such as wood density and large tree density, will improve our knowledge of biomass distribution across tropical regions. Here, we evaluate (1) the variability of wood density and (2) the variability of AGB across five ecosystems of Costa Rica. Results Using forest management (pre-felling) inventories we found that, of the regions studied, Huetar Norte had the highest mean wood density of trees with a diameter at breast height (DBH) greater than or equal to 30 cm, 0.623 ± 0.182 g cm-3(mean ± standard deviation). Although the greatest wood density was observed in Huetar Norte, the highest mean estimated AGB (EAGB) of trees with a DBH greater than or equal to 30 cm was observed in Osa peninsula (173.47 ± 60.23 Mg ha-1). The density of large trees explained approximately 50% of EAGB variability across the five ecosystems studied. Comparing our study's EAGB to published estimates reveals that, in the regions of Costa Rica where AGB has been previously sampled, our forest management data produced similar values. Conclusions This study presents the most spatially rich analysis of ground level AGB data in Costa Rica to date. Using forest management data, we found that EAGB within and among five Costa Rican ecosystems is highly variable. Combining commercial logging inventories with ecological plots will provide a more representative ground level dataset for the calibration of the models and remotely sensed data used to EAGB at regional and national scales. Additionally, because the non-protected areas of the tropics offer the greatest opportunity to reduce rates of deforestation and forest degradation, logging inventories offer a promising source of data to support mechanisms such as the United Nations REDD + (Reducing Emissions from Tropical Deforestation and Degradation) program.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».