Salvage harvest planning for spruce budworm outbreak using multistage stochastic programming
Notice bibliographique
Résumé
Forest supply chain planning must deal with many natural disturbance uncertainties such as fires, insects, and windthrow. One important consideration is wood infestation by invasive insects, as it causes environmental and economic harm. An example of invasive insects in Eastern Canada is the spruce budworm (Choristoneura fumiferana (Clemens)), which is the most destructive insect in North America’s conifer stands. In 2017, more than 5 million ha of forest were defoliated by spruce budworm in Quebec. Repeated defoliation causes tree mortality, reduction of growth rates, and reduced lumber quality. Consequently, different wood qualities with greatly varied values are found in the forest. Changes in the outbreak intensity impact wood values throughout the forest. One of the common actions to mitigate the economic and environmental damages is salvage harvesting. However, because of the large uncertainties and lack of detailed information, it is a difficult problem to model. We propose a multistage stochastic mixed-integer programming model for harvest scheduling under various outbreak intensities. The objective is to maximize revenues of wood value minus logistic costs while satisfying demand for wood in the industry. The results show that when there is an outbreak throughout the forest, the priority for salvage harvesting is to focus on forest areas with the lowest level of infestation.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».