MétaCan
Menu
Retour à la cohorte
Enregistrement W2337704952 · doi:10.1111/eva.12384

Genetic consequences of selection cutting on sugar maple (<i>Acer saccharum</i>Marshall)

2016· article· en· W2337704952 sur OpenAlexafffundabout
Noémie Graignic, Francine Tremblay, Yves Bergeron

Notice bibliographique

RevueEvolutionary Applications · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversité du Québec en Abitibi-Témiscamingue
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésBiologyGenetic diversitySelection (genetic algorithm)InbreedingMapleSaccharumSpecies richnessGenetic erosionGenetic gainGenetic variationEcologyBotanyPopulationDemographyGenetics

Résumé

récupéré en direct d'OpenAlex

Selection cutting is a treatment that emulates tree-by-tree replacement for forests with uneven-age structures. It creates small openings in large areas and often generates a more homogenous forest structure (fewer large leaving trees and defective trees) that differs from old-growth forest. In this study, we evaluated whether this type of harvesting has an impact on genetic diversity of sugar maple (Acer saccharum Marshall). Genetic diversity among seedlings, saplings, and mature trees was compared between selection cut and old-growth forest stands in Québec, Canada. We found higher observed heterozygosity and a lower inbreeding coefficient in mature trees than in younger regeneration cohorts of both forest types. We detected a recent bottleneck in all stands undergoing selection cutting. Other genetic indices of diversity (allelic richness, observed and expected heterozygosity, and rare alleles) were similar between forest types. We concluded that the effect of selection cutting on the genetic diversity of sugar maple was recent and no evidence of genetic erosion was detectable in Québec stands after one harvest. However, the cumulative effect of recurring applications of selection cutting in bottlenecked stands could lead to fixation of deleterious alleles, and this highlights the need for adopting better forest management practices.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,286
Score d'incertitude au seuil0,997

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)0,0060,004

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 Opus0,010
Tête enseignante GPT0,232
Écart entre enseignants0,222 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations4
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueEvolutionary ApplicationsMême sujetForest Management and PolicyTravaux en français237 207