Management strategies for black spruce (Picea mariana (Mill.) B.S.P.) in the face of climate change: climatic niche, clines, climatypes, and seed transfer
Notice bibliographique
Résumé
Over 200 000 forest inventory and ecological ground plots representing North America north of 36 degrees latitude were used to develop a climate niche model predicting the current distribution of black spruce (Picea mariana (Mill.)) across its natural range. The resulting 8-variable Random Forest algorithm had a 4.4 per cent overall error rate. This error was primarily a function of errors of commission, i.e. predicting presence of black spruce for plots in which it was absent (error = 6 per cent). In contrast, errors of omission, predicting an absence of black spruce when it was present, was 0.1 per cent. Height growth data from four disparate provenance test series containing a total of 316 populations were analysed using linear mixed model procedures to model the pattern of ecological genetic variation. The resulting model accounted for 62 per cent of the observed variation among populations. Climatic surfaces for the IPCC RCP6.0 scenario at three time steps (decades centred on 2030, 2060 and 2090) projected early and sustained geographic shifts in the realized climatic niche. Approximately 56 per cent of the contemporary distribution is predicted to be lost or threatened habitat by 2060. Mapped projections indicate the shift in the trailing edge encompasses the entire managed boreal forest in Canada. Emergent suitable habitat totalled 28 per cent. Projections of the ecological genetic model into the climate of the decade centred on 2060 indicate the challenge for forest management is in assuring a timely transfer of trailing edge populations to the future location of the climates for which they are optimally suited.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».