Maximum heat ratio: bi-directional method for fast and slow sap flow measurements
Notice bibliographique
Résumé
Abstract Background As sap flow research expands, new challenges such as fast sap flows or flows co-occurring with freeze/thaw cycles appear, which are not easily addressed with existing methods. In order to address these new challenges, sap flow methods capable of measuring bidirectional, high and slow sap flux densities ( F d , cm 3 cm −2 h −1 ), thermal properties and stem water content with minimum sensitivity to stem temperature are required. Purpose In this study we assessed the performance of a new low-power ratio-based algorithm, the maximum heat ratio ( MHR ) method, and compare it with the widely known heat ratio ( HR ) method using a cut-tree study to test it under high flows using Eucalyptus grandis trees, and a freeze/thaw experiment using Acer saccharum trunks to test its response to fast changing stem temperatures that result in freeze/thaw cycles. Results Our results indicate that MHR and HR had a strong (R 2 = 0.90) linear relationship within a F d range of 0–45 cm 3 cm −2 h −1 . Using the MHR algorithm, we were able to estimate wood thermal properties and water content, while extending the measuring range of HR to approximately 0–130 (cm 3 cm −2 h −1 ). In our freeze/thaw experiment, the main discrepancy between MHR and HR was observed during freezing, where HR had consistently lower F d (up to 10 cm 3 cm −2 h −1 ), with respect to MHR. However, both algorithms identified similar zero flows. Conclusion Consequently, MHR can be an easy-to-implement alternative algorithm/method capable of handling extreme climatic conditions, which can also run simultaneously with HR.
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 ».