MétaCan
Menu
Retour à la cohorte
Enregistrement W2793630632 · doi:10.3390/rs10010121

Tree Death Not Resulting in Gap Creation: An Investigation of Canopy Dynamics of Northern Temperate Deciduous Forests

2018· article· en· W2793630632 sur OpenAlexafffund
Jean-François Senécal, Frédérik Doyon, Christian Messier

Notice bibliographique

RevueRemote Sensing · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensUniversité du Québec en OutaouaisUniversité du Québec à Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsCanada Foundation for Innovation
Mots-clésCanopyDeciduousTemperate deciduous forestTree canopyTemperate rainforestEnvironmental scienceTransectCoarse woody debrisBiomeLidarAtmospheric sciencesEcologyAgroforestryGeographyRemote sensingEcosystemBiologyHabitatGeology

Résumé

récupéré en direct d'OpenAlex

Several decades of research have shown that canopy gaps drive tree renewal processes in the temperate deciduous forest biome. In the literature, canopy gaps are usually defined as canopy openings that are created by partial or total tree death of one or more canopy trees. In this study, we investigate linkages between tree damage mechanisms and the formation or not of new canopy gaps in northern temperate deciduous forests. We studied height loss processes in unmanaged and managed forests recovering from partial cutting with multi-temporal airborne Lidar data. The Lidar dataset was used to detect areas where canopy height reduction occurred, which were then field-studied to identify the tree damage mechanisms implicated. We also sampled the density of leaf material along transects to characterize canopy structure. We used the dataset of the canopy height reduction areas in a multi-model inference analysis to determine whether canopy structures or tree damage mechanisms most influenced the creation of new canopy gaps within canopy height reduction areas. According to our model, new canopy gaps are created mainly when canopy damage enlarges existing gaps or when height is reduced over areas without an already established dense sub-canopy tree layer.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,731
Score d'incertitude au seuil0,995

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)0,0000,000

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 Opus0,023
Tête enseignante GPT0,265
Écart entre enseignants0,242 · 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'étudeSimulation ou modélisation
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

Citations21
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207