Measuring Spatial and Temporal Gravelled Forest Road Degradation in the Boreal Forest
Notice bibliographique
Résumé
Degradation of forest roads in Canada has strong negative effects on access to forestlands, together with economic (e.g., increased maintenance costs), environmental (e.g., erosion of materials and subsequent habitat contamination), and social (e.g., use risks) impacts. Maintaining sustainable and safe access to forestland requires a better understanding and knowledge of forest road degradation over time and space. Our study aimed to identify relevant spatiotemporal variables regarding the state of eastern Canadian forest road networks by (1) building predictive models of gravel forest road degradation and assessing effects of the slope, time, loss of the road surface, and road width (field approach), and (2) evaluating the potential of topography, roughness and vegetation indices obtained from Airborne Laser Scanning (ALS) data and Sentinel-2 optical images to estimate degradation rates (remote sensing approach). The field approach (n = 207 sample plots) confirmed that only four variables were efficient to estimate degradation rates (pseudo-R2 = 0.43 with ±8% error). Simulations that were conducted showed that after about five years without maintenance, the rate of degradation on a road, regardless of its width, increased exponentially, exacerbated by a high slope gradient and loss of road surface. The narrowest roads tended to degrade more rapidly over time. The remote sensing approach performed quite well (pseudo-R2 = 0.34 with ±9% error) in terms of predicting road degradation, giving us the valuable tools to spatialise the state of gravel forest road degradation in eastern Canadian forest. This study provided new knowledge and tools that are critical for maintaining and sustaining access to Canada’s boreal forest territory in both the short- and the long-term.
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 ».