Effects of forest management intensity and climate change severity on volume growth, timber yield, carbon stocks, and the amount of deadwood in Scots pine, Norway spruce, and silver birch stands in boreal conditions
Notice bibliographique
Résumé
We studied how management intensity and climate severity affect volume growth, timber yield, carbon stocks, and the amount of deadwood in Scots pine ( Pinus sylvestris (L.)), Norway spruce ( Picea abies (L.) Karst.), and silver birch ( Betula pendula Roth.) dominated stands in the Republic of Karelia and Arkhangelsk region of northwest Russia. Using the forest ecosystem model (SIMA) under different climates (current and representative concentration pathway scenarios, RCP4.5 and RCP8.5), no-thinning, low, medium, and high intensity thinning rotational forestry regimes were simulated. Under RCPs, the volume growth and timber yield (5%–53%), carbon stocks (1%–22%), and deadwood amounts (11%–75%) increased for all Scots pine and silver birch stands. The use of low intensity management increased volume growth and carbon stocks (3%–16%) and deadwood amount (up to 60%) under RCPs, but not timber yield (±3%) in these stands. For Norway spruce stands, the volume growth (5%–26%), timber yield (23%–75%), and carbon stocks (5%–15%) decreased under RCP8.5, but deadwood amount increased (up to 142%). Intensive management increased volume growth (4%–19%), timber yield (4%–63%), carbon stocks (up to 14%), and deadwood amounts (up to 49%). Our results highlight that effects of climate severity and management intensity are site and species-specific for Eurasian’s boreal 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 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 ».