Understanding Tree-to-Tree Variations in Stone Pine (Pinus pinea L.) Cone Production Using Terrestrial Laser Scanner
Notice bibliographique
Résumé
Kernels found in stone pinecones are of great economic value, often surpassing timber income for most forest owners. Visually evaluating cone production on standing trees is challenging since the cones are located in the sun-exposed part of the crown, and covered by two vegetative shoots. Very few studies were carried out in evaluating how new remote sensing technologies such as terrestrial laser scanners (TLS) can be used in assessing cone production, or in trying to explain the tree-to-tree variability within a given stand. Using data from 129 trees in 26 plots located in the Spanish Northern Plateau, the gain observed by using TLS data when compared to traditional inventory data in predicting the presence, the number, and the average weight of the cones in an individual tree was evaluated. The models using TLS-derived metrics consistently showed better fit statistics, when compared to models using traditional inventory data pertaining to site and tree levels. Crown dimensions such as projected crown area and crown volume, crown density, and crown asymmetry were the key TLS-derived drivers in understanding the variability in inter-tree cone production. These results underline the importance of crown characteristics in assessing cone production in stone pine. Moreover, as cone production (number of cones and average weight) is higher in crowns with lower density, the use of crown pruning, abandoned over 30 years ago, might be the key to increasing production in combination with stand density management.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».