MétaCan
Menu
Retour à la cohorte
Enregistrement W2538472701 · doi:10.1139/cjfr-2016-0226

Effects of wind damage on the optimal management of boreal forests under current and changing climatic conditions

2016· article· en· W2538472701 sur OpenAlexvenueno aff
Ane Zubizarreta-Gerendiain, Timo Pukkala, Heli Peltola

Notice bibliographique

RevueCanadian Journal of Forest Research · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensnon disponible
Organismes subventionnairesItä-Suomen Yliopisto
Mots-clésTaigaEnvironmental scienceForestryBiomass (ecology)Forest managementClimate changeAgroforestryEcologyGeographyBiology

Résumé

récupéré en direct d'OpenAlex

This study presents a new method for considering the risk of wind damage in forest planning and for predicting the amount of damage and its effects on timber production, economic profitability and carbon balance of forestry. The effects of wind damage on the optimal management of boreal forests under current and changing climatic conditions were analyzed by comparing four forest management plans. A reference plan maximized net present value (NPV) with even-flow harvesting constraints. The second plan minimized height differences between adjacent stands, the third minimized height differences while simultaneously maximizing NPV, and the fourth maximized height differences between adjacent stands. To obtain damage-adjusted results, schedules that belonged to the optimal management plans were simulated with wind damage, taking into account the shelter provided by adjacent stands. Maximizing NPV and simultaneously minimizing height differences resulted in the highest damage-adjusted NPV. Increasing wind damage increased carbon balance of forest soil but decreased the total carbon balance of forestry as it decreased the carbon balances of living forest biomass and wood-based products. Climate change slightly improved the total carbon balance of forestry. If wind damage was ignored in calculations, NPV, total carbon balance of forestry, and timber production were overestimated.

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)0,001
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 enseignants0,351
Score d'incertitude au seuil0,501

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
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 Opus0,033
Tête enseignante GPT0,319
Écart entre enseignants0,286 · 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

Citations43
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetForest Management and PolicyTravaux en français237 207