MétaCan
Menu
Retour à la cohorte
Enregistrement W2884021709 · doi:10.3390/f9080457

Simulating Long-Term Effects of Bioenergy Extraction on Dead Wood Availability at a Landscape Scale in Sweden

2018· article· en· W2884021709 sur OpenAlexaff
Anouschka R. Hof, Therese Löfroth, Jörgen Sjögren, Timothy T. Work, Joakim Hjältén

Notice bibliographique

RevueForests · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueForest Ecology and Biodiversity Studies
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesEnergimyndigheten
Mots-clésBioenergyDead woodEnvironmental scienceBiomass (ecology)BiodiversityHabitatTaigaEcosystemAgroforestryEcologyRenewable energyBiology

Résumé

récupéré en direct d'OpenAlex

Wood bioenergy may decrease the reliance on fossil carbon and mitigate anticipated increases in temperature. However, increased use of wood bioenergy may have large impacts on forest biodiversity primarily through the loss of dead wood habitats. We evaluated both the large-scale and long-term effects of different bioenergy extraction scenarios on the availability of dead wood and the suitability of the resulting habitat for saproxylic species, using a spatially explicit forest landscape simulation framework applied in the Swedish boreal forest. We demonstrate that bioenergy extraction scenarios, differing in the level of removal of biomass, can have significant effects on dead wood volumes. Although all of the scenarios led to decreasing levels of dead wood, the scenario aimed at species conservation led to highest volumes of dead wood (about 10 m3 ha−1) and highest connectivity of dead wood patches (mean proximity index of 78), whilst the scenario aimed at reaching zero fossil fuel targets led to the lowest levels (about 8 m3 ha−1) and least connectivity (mean proximity index of 7). Our simulations stress that further exploitation of dead wood from sites where volumes are already below suggested habitat thresholds for saproxylic species will very likely have further negative effects on dead wood dependent species.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil0,933

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 Opus0,018
Tête enseignante GPT0,249
Écart entre enseignants0,230 · 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

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetForest Ecology and Biodiversity StudiesTravaux en français237 207