Meta-Modelling to Quantify Yields of White Spruce and Hybrid Spruce Provenances in the Canadian Boreal Forest
Notice bibliographique
Résumé
Tree improvement programs can improve forest management by increasing timber yields in some areas, thereby facilitating conservation of other forest lands. In this study, we used a meta-analytic approach to quantify yields of alternative white (Picea glauca (Moench) Voss) and hybrid spruce (Picea engelmannii Parry ex Engelmann x Picea glauca (Moench) Voss) stocks across planting sites in the boreal and hemiboreal forests of Canada. We extracted meta-data from published tree improvement program results for five Canadian provinces covering 38 planting sites and 330 white and hybrid spruce provenances. Using these meta-data and a random-coefficients nonlinear mixed-effects modelling approach, we modelled average height over time trajectories for varying planting site characteristics, as well as climate transfer distances between planting sites and provenances. Climatic transfer distances had strong effects on the height trajectory parameters. In particular, the asymptote parameter had a nonlinear increasing trend with planting site versus provenance mean annual temperature differences. We incorporated the height trajectory meta-analysis model into an existing growth and yield model to predict volume yields. Overall, this research provides a mechanism to quantify yields of alternative provenances at a particular planting site, as a component of decision support models for evaluating evaluate forest management investment into improved planting stocks alternatives under current and possible future climates.
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 | 0,000 |
| 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 ».