MétaCan
Menu
Retour à la cohorte
Enregistrement W3149828194 · doi:10.17504/protocols.io.p3tdqnn

Measuring specific leaf area and water content v1

2018· preprint· en· W3149828194 sur OpenAlexaffabout
Étienne Laliberté

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueLeaf Properties and Growth Measurement
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésSpecific leaf areaWater contentHorticultureDry matterMeasure (data warehouse)Environmental scienceObservatoryBiologyBotanyMathematicsPhotosynthesisPhysics

Résumé

récupéré en direct d'OpenAlex

Here we describe the standardised protocol used by the Canadian Airborne Biodiversity Observatory (CABO) to measure leaf water content and specific leaf area, using the WinFOLIA™ software (Régent Instruments). These leaf area and water measurements are done on a subset of leaves from the same bulk leaf sample used to measure leaf spectral reflectance and transmittance. Briefly, after removing their petioles, fresh leaves are weighed, rehydrated for 6 h, scanned for total leaf area and weighed again; they are then oven-dried at 65 ºC for 72 h, and weighed one last time. This allows us to measure leaf dry matter content and its complement, leaf water content, as well as leaf relative water content. Leaf area measurements are used to estimate specific leaf area, a key functional trait central to the leaf economics spectrum. Specific leaf area allows us to estimate equivalent water thickness and to convert concentrations of foliar biochemical constitutents from a leaf mass to a leaf area basis.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,494
Score d'incertitude au seuil0,999

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 ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,255
Tête enseignante GPT0,211
Écart entre enseignants0,044 · 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.

Devis d'étudeExpérimental (laboratoire)
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

Citations11
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetLeaf Properties and Growth MeasurementTravaux en français237 207