MétaCan
Menu
Retour à la cohorte
Enregistrement W4321606398 · doi:10.1139/cjfr-2022-0317

Intensive management increases flexibility in managing wood supply

2023· article· en· W4321606398 sur OpenAlexafffundvenueabout
Victor J. Lieffers, Bradley D. Pinno, Andrew Johnson, Kazi L. Hossain, Ted Gooding

Notice bibliographique

RevueCanadian Journal of Forest Research · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversity of Alberta
Organismes subventionnairesForest Resource Improvement Association of Alberta
Mots-clésThinningEnvironmental scienceSilvicultureForest managementForestryAgroforestryOffset (computer science)Geography

Résumé

récupéré en direct d'OpenAlex

We modelled the potential impact of intensification of plantation management and thinning, on timber supply of an ∼500 000 ha forest in Alberta, Canada over a 200-year planning horizon. Pre-commercial and commercial thinning were applied to a portion of the better sites, which allowed shortening of the time to merchantability and earlier harvest than unthinned stands; less than 25% of the forest was thinned over the course of the plan. The sustainable harvest rate, represented here as the annual allowable cut (AAC), increased by ∼14% above baseline, when thinning was applied. Similarly, there was a 20.7% increase in AAC projected with the relaxation of even flow rules if thinning was also applied. Finally, thinning offset the expected decline in AAC after a 20-year surge in cutting of mature pine, designed to slow an epidemic of mountain pine beetle. In terms of wood supply, the volume extracted at thinning was <2% of annual supply but volume from final harvest from thinned stands, at times, surpassed that of unthinned stands of the forest. Individual tree size from thinned stands was ∼twice that from unthinned areas in the second part of the planning period, offsetting the expected decline in piece size after the era of harvest of natural forests.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,283
Score d'incertitude au seuil0,563

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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 Opus0,055
Tête enseignante GPT0,332
Écart entre enseignants0,277 · 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

Citations5
Publié2023
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetForest Management and PolicyTravaux en français237 207