MétaCan
Menu
← Retour à la cohorte
Enregistrement W4283205365 · doi:10.1139/cjfr-2022-0073

Sapling growth dynamics after partial cutting in temperate mixedwood stands

2022· article· en· W4283205365 sur OpenAlexafffundvenue
Hugues Power, Isabelle Auger, François Guillemette, Patricia Raymond, Daniel Dumais

Notice bibliographique

RevueCanadian Journal of Forest Research · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensMinistère des Ressources naturelles et des Forêts
Organismes subventionnairesMinistère des Forêts, de la Faune et des Parcs
Mots-clésAbies balsameaBalsamYellow birchHardwoodBasal areaForestrySoftwoodTemperate climateClearcuttingMapleTemperate forestStand developmentSilvicultureEnvironmental scienceBotanyBiologyGeography

Résumé

récupéré en direct d'OpenAlex

The temperate mixedwood forests of eastern North America have been managed by partial cutting for several decades. To ensure that regeneration contributes to replacing the commercial-size stems that are removed by partial cutting, forest managers need to anticipate how saplings (i.e., regenerating trees with a diameter at breast height >1.0 cm) develop in terms of number and diameter. Using up to 20 years of monitoring data from three study sites, we developed a transition matrix model to predict the future number of saplings and their diameter distribution for mixed yellow birch ( Betula alleghaniensis Britton) – conifer stands. Our results show that partial cutting allowed yellow birch, red maple ( Acer rubrum L.), red spruce ( Picea rubens Sarg.), and balsam fir ( Abies balsamea (L.) Mill.) saplings to reach merchantable size faster and in greater numbers than in untreated control plots. We also found that fewer hardwood saplings (yellow birch and red maple) than softwood saplings (red spruce and balsam fir) were required to produce 1 m2·ha−1 of merchantable basal area after 20–40 years. Finally, our model provides a tool for forest managers to predict sapling development in mixed hardwood and softwood stands over a full cutting cycle.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,017
Tête enseignante GPT0,267
Écart entre enseignants0,250 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations9
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest Research→Même sujetForest ecology and management→Travaux en français237 207→