Regional environmental assessment of forest management : experience in Ontario and Minnesota
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Environmental assessment (EA) was originally conceived as a process applying to \ndiscrete projects such as power dams and timber harvest plans, but increasingly it is \nbeing applied to programs and policies for large areas. Such is the case for forest \nmanagement, where EA is finding application to regional management strategies. The \naim in this study was to investigate and analyze the quality of two regional EAs of forest \nmanagement; (a) the Ontario Class EA for Timber Management on Crown Lands in \nOntario; and (b) the Minnesota Generic Environmental Impact Statement (GEIS) on \nTimber Harvesting and Associated Forest Management Activities. The Ontario EA was \na difficult hearing-dominated venture where experts brought testimony before a quasi-judicial \ntribunal. The Minnesota EA centred upon quantitative impact analyses \nundertaken by inter-disciplinary study teams and documented in concise reports. Both \nthese EAs looked at forest management issues across huge areas, and both were \ncompleted in 1994. \nA broad cross-section of criteria derived from EA literature was used to judge the \nquality of the EAs, including factors pertaining to elements of process, technical and \nscientific requirements, and outcomes. I applied the criteria in describing and evaluating \nthe two EAs and found them generally to contrast strongly with each other. The paper \nsummarizes the strengths and weaknesses of the two EAs so that similar endeavours in \nthe future can be designed to avoid some of the pitfalls encountered in the preparation \nof the Minnesota and Ontario regional environmental assessments.
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.
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 | 0,000 |
| 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 découle