The pace of life for forest trees
Notice bibliographique
Résumé
The input data needed to replicate the analyses for the paper titled: 'The pace of life for forest trees'. Readme file for the paper titled: The pace of life for forest trees. Bialic-Murphy, et al 2024 --------------------------------------------------------- Data: -------------------------------------------------------------- Initial inputs TreeMort_TreeData.Rdata --Cannot share original data due to third-party data restrictions. The included subset are the data from networks that are fully open access. The other datasets can be accessed by submitting a data request to the networks. See DMA statement for more details hex_250k.csv --Contains climate data at grid cell level. Data coordinates are not provided due to sensitive species. Outputs from Script 1 and grid-level input data needed to replicate models and analysis, i.e., Script 2 - 6 TreeMort_Growth_1yr_woGrid.Rdata --Growth function parameters TreeMort_sigmag_1yr_woGrid.Rdata --Variance estimates for growth function TreeMort_Survival_1yr_woGrid.Rdata --Survival function parameters Min_Max_Size.Rdata --Species size characteristics Forest network data that included sensitive species and indigenous data sovereignty were not included in this paper, but these data are available for research purposes by submitting a data request to the following networks: Alberta Forestry Division forestry.alberta.ca, Saskatchewan Minister of Environment https://geohub.saskatchewan.ca, British Columbia https://www2.gov.bc.ca/gov, Placette-échantillon permanente Données Québec donneesquebec.ca, ForestGeo https://forestgeo.si.edu, and ForestPlots. -------------------------------------------------------------- R code associated needed to replicate the results of this study are available at https://github/Lalasia/pace_of_life.com -------------------------------------------------------------- 1_Fit_Vital_R --Load data and fit vital rate functions. 2_IPM_4_HPC.R --Load vital rate parameter estimates, set up IPMs, calculate LHTs 2_IPM_4_HPC.sh --Sets up 2_IPM_4_HPC.R to run on an HPC. 3_IPM_postProc.R --Compiles all runs generated from 2_IPM_4_HPC.R. Creates data files for subsequent scripts 4_Clusters_analysis.R --Runs cluster analysis and generates figures 5_Bayesian_model.R --Runs analysis of environmental effects on LHTs 6_Hull_volume.R --Calculates the convex hull of LHTs and analyses patterns Error_Checks --Contains modified versions of 2_IPM_4_HPC.sh and 2_IPM_4_HPC.R (See Note 2 below). --Run these scripts to recreate our analyses and results. --NOTE 1 | The raw data from networks with sensitive species and data restrictions are not included here but can be accessed by submitting a data request to the associated networks. See our DMA statement for more details. Here, we provide the raw tree-by-tree data from the fully open-access networks. This affects the first R script only. The grid-level output data, generated in script 1 and shared in the data folder, can be used to replicate the results of this study. --NOTE 2 | The bash script [2_IPM_4_HPC.sh] sets up an array to run the IPM script [2_IPM_4_HPC.R] in batches of 100 species on a high-performance computing cluster. We ran into an issue for two species [index=30 & 962] that had an immortal survival-growth matrix. To find this error, we duplicated the IPM R and bash scripts and modified the indexing. These files are in the folder named "Error Check". 3_IPM_postProc.R is then used to recompile the IPM outputs. --Data inputs required for these scripts and the intermediate output data that are both produced and later required by these scripts are stored in the folder named "data". -----
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 | 0,005 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,128 | 0,044 |
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 ».