Reassessing the schedule of the sugar season in maple under climate warming
Notice bibliographique
Résumé
Daily temperature fluctuations trigger physical and metabolic processes in the xylem, affecting the timing and yield of maple sap production. This study evaluates sap production dynamics, examining the effects of mean monthly temperatures and freeze-thaw cycles before and during the sugar season. We developed a predictive model estimating sap phenology, i.e. the timings of sap season and their climatic drivers, under future warming scenarios in Quebec, Canada. We collected air temperatures and daily sap production at four study sites in 2022 and 2023 using rain gauges for simulating a gravity collection of sap. We estimated sap phenology using a neural network model based on average monthly temperatures. The length of the sugar season was consistent across and within sites, with the highly productive days showing similar occurrence across sites. Sap yields ranged from 9.28 to 23.8 liters in 2022 and 3.8 to 13.6 liters in 2023. Freeze-thaw events occurred on 64% of the days when sap was exuded. Our neural network model predicted that a 2°C increase in mean monthly temperatures would advance the sugar season start by 17 days and end by 13 days. Any mismatch between tapping and favorable weather conditions can significantly reduce sap production. With climate change, producers will be forced to progressively readjust the schedule of their field activities and tapping to match the shifting sugar season.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».