data - Leveraging biomass procurement to mitigate carbon emissions at the stand level: a case study in eastern Canadian forests
Notice bibliographique
Résumé
This repository provides input and output datasets used in “Leveraging biomass procurement to mitigate carbon emissions at the stand level: a case study in eastern Canadian forests”.Input datasets include data collected in 2019 from pre-harvest mature forests, following the experimental design described in Canuel et al. (2024), "Post-harvest regeneration is driven by ecological factors rather than wood procurement intensity in eastern Canadian forests" (doi:10.1093/forestry/cpae008). The experimental design included six experimental sites, each with a randomized block design using four blocks. Two to four ground sampling plots per block were established, for a total of 84 sampling plots. Data were collected following ground sampling guidelines, version 5.0 published in 2008, from the Canada's National Forest Inventory (see https://nfi.nfis.org/resources/groundplot/Gp_guidelines_v5.0.pdf).Only pre-harvest stumps data (pre-harvest_stumps.csv) are provided in this repository. Stumps were tallied and measured within circular sampling plots (r = 3.99 m). Only data from sampling plots where one or more stumps were measured are shown. Other empirical data from the pre-harvest stand inventory used in the study are available at the following repository: https://doi.org/10.6084/m9.figshare.22587139.v1.We provided output datasets from carbon modelling for the six experimental sites and seven scenarios in five separate files ("[...]_scenario.csv"). These output datasets support the results of our study.We also provide a summary file that describes the rows and columns in the datasets of this repository.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».