Landscape-level likelihood estimation of eastern spruce dwarf mistletoe (<i>Arceuthobium pusillum</i>) infestations in lowland black spruce (<i>Picea mariana</i>) forests of Minnesota, USA
Notice bibliographique
Résumé
Biotic disturbance agents are important factors influencing forest dynamics; incorporating them into management planning requires a detailed understanding of their distribution, prevalence, and effects on stand dynamics. However, this information can be difficult to collect in remote forest systems, such as lowland black spruce ( Picea mariana (Mill.) B.S.P.) forests affected by eastern spruce dwarf mistletoe ( Arceuthobium pusillum Peck, hereafter ESDM). In such cases, predictive modeling is often needed to inform management decisions and address forest health questions. Here, we used two publicly available datasets to predict areas where black spruce is more likely to be infested with ESDM in northeastern Minnesota, USA. Using random forest modeling and logistic regression, we found location, stand age, basal area, site index, average diameter, and metrics of species composition to be among the most important predictors of ESDM occurrence. Predictions showed two regions of greater likelihood of infestation with distinct ecological characteristics and ownership patterns. By understanding how stand structural characteristics relate to ESDM infestations, managers can improve monitoring and management of ESDM at the stand and landscape scales. Additionally, our approach of using multiple datasets and modeling methods can serve as a framework for decision-making on other forest health concerns.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».