Croissance et statut nutritif de marcottes, de semis naturels et de plants d'épinette noire à la suite du scarifiage : résultats de 10 ans
Notice bibliographique
Résumé
Careful logging around advance growth (CLAAG) and tree planting following site preparation or not (fill planting) are widely used to regenerate black spruce (Picea mariana (Mill.) BSP) stands in the boreal forest of Quebec, Canada. However, few mid-term studies have compared these different regeneration modes. In this study, we examined height growth and nutrient status of black spruce layers, natural seedlings, and planted seedlings over a 10-year period, in an experimental design combining CLAAG, natural seeding, planting, and two types of scarification (cones and disks). Without scarification, growth of planted seedlings (5.8 cm·year 1 ) was slightly greater than that of layers (4.4 cm·year 1 ) and natural seedlings (4.1 cm·year 1 ). Scarification improved growth of the three types of regeneration, but the treatment was more beneficial for planted seedlings (+7.1 cm·year 1 ) than for natural seedlings (+1.6 cm·year 1 ) and layers (+1,0 cm·year 1 ). Five years after treatment, scarification had increased the current-year needle N concentration of the three types of regeneration, but this beneficial effect on N was still detectable only in foliage of layers after 10 years. The effect of the treatment was variable for P and K contents, for which natural regeneration seems to have taken advantage more than plants. Our results indicate that scarification can improve the initial growth and nutrient status of both natural and artificial regeneration of black spruce and thus accelerate site recovery after cutting in the boreal forest. Furthermore, fill planting without site preparation appeared to be clearly less efficient than planting combined with scarification.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».