MétaCan
Menu
Retour à la cohorte
Enregistrement W2338082270 · doi:10.2166/nh.2014.016

Forest disturbance effects on snow and water yield in interior British Columbia

2014· article· en· W2338082270 sur OpenAlexaffabout
Rita Winkler, Dave Spittlehouse, Sarah Boon, Barbara Zimonick

Notice bibliographique

RevueHydrology research · 2014
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensMinistry of Forests
Organismes subventionnairesnon disponible
Mots-clésSnowSnowmeltEnvironmental scienceWater equivalentHydrology (agriculture)Salvage loggingDisturbance (geology)LoggingCanopyClearcuttingPhysical geographyForestryAtmospheric sciencesEcologyForest ecologyEcosystemGeologyGeographyMeteorologyBiologyGeomorphology

Résumé

récupéré en direct d'OpenAlex

Long-term studies at Mayson Lake (ML) and Upper Penticton Creek (UPC) in British Columbia's southern interior quantify snow-dominated hydrologic response to natural disturbances and logging. Following natural disturbance at ML, changes in snow accumulation related directly to mountain pine beetle attack were measurable by the fifth year following attack, when canopy transmittance had increased 24% due to needlefall. In year 1, April 1 snow water equivalent (SWE) was 48% higher in the clearcut than in the pine forest. This difference was reduced to 23% by year 8. A 3-year lag in snow response was also observed in a nearby burned stand where SWE was on average 27 and 59% higher in the clearcut than in the burn and forest, respectively. At UPC, April 1 SWE averaged 12% more and 12% less in a low and high elevation clearcut than forest, respectively, and snow disappeared ∼10 days earlier in both clearcuts. Partially as a result of snowmelt synchronization from higher with lower elevations after 50% of the treatment watersheds had been clearcut, April water yield increased and June to July yield decreased. Research results improve evaluation of hydrologic response to forest disturbance, including retention of beetle-killed stands versus salvage logging.

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 enseignants0,028
Score d'incertitude au seuil0,056

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,027
Tête enseignante GPT0,256
Écart entre enseignants0,229 · 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
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHydrology researchMême sujetCryospheric studies and observationsTravaux en français237 207