MétaCan
Menu
Retour à la cohorte
Enregistrement W4283020377 · doi:10.3390/f13060945

Use of Harvester Data to Estimate the Amount of Merchantable Non-Utilized Woody Material Remaining after Mechanized Cut-to-Length Forest Operations

2022· article· en· W4283020377 sur OpenAlexafffundabout
Myriam Delmaire, Eric R. Labelle

Notice bibliographique

RevueForests · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueForest Biomass Utilization and Management
Établissements canadiensUniversité Laval
Organismes subventionnairesMitacs
Mots-clésForest inventoryVolume (thermodynamics)Forest managementBalsamEconomic shortageForestryEnvironmental scienceYardLoggingAgricultural engineeringComputer scienceMathematicsStatisticsGovernment (linguistics)AgroforestryEngineeringGeographyHorticulture

Résumé

récupéré en direct d'OpenAlex

An agreement between the provincial government of Québec, Canada and the forest industry executing forest management activities on public lands has been established regarding non-utilized woody material (NUWM) left on the cutting area. Problems linked to this agreement are compounded by labor shortages, which have an impact on the precision of the mandatory inventories. The objectives of this study were to: (1) reconstruct and estimate the merchantable NUWM volume beyond the last processed log of balsam fir and white spruce with the use of harvester on-board computer (OBC) data, (2) design a software tool to estimate and spatialize merchantable NUWM, and (3) perform an explorative comparison between the OBC method and conventional field inventory. In total, five sites were harvested to develop the volume algorithms. Each site was harvested by a single-grip harvester operating a different OBC system (OPTI4G, Log Mate 500, and Log Mate 510). Results suggest that, with Varjo’s model and linear regression, estimation of NUWM volume using OBC data is possible. The spatialization tool positioned NUWM within the harvest area for StanForD and StanForD 2010. The explorative comparison highlighted a possible cost reduction of approx. 36.8 $/ha and an increase of precision for the OBC method.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,112
Score d'incertitude au seuil0,652

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 ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,043
Tête enseignante GPT0,291
Écart entre enseignants0,249 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations2
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetForest Biomass Utilization and ManagementTravaux en français237 207