Bijūnų biometrinių dydžių ir medžių radialiojo prieaugio priklausomybė nuo klimato veiksnių
Bibliographic record
Abstract
Tyrimais nustatyta, kad labiausiai nuo klimato sąlygų priklauso puikiojo bijūno veislės ‘Prof. K. Grybauskas’ biometriniai dydžiai, ypač žiedų skersmuo, o mažiausiai – veislės ‘Maironis’. Nepriklausomai nuo bijūnų veislės, išskyrus ‘Skeivienės vėlyvasis’ žiedų skersmenį, krituliai dažniausiai turi teigiamą, o temperatūra – neigiamą poveikį. Klimato veiksniai į bijūnų biometrinius dydžius ir atskirų medžių rūšių – paprastojo ąžuolo (Quercus robur L.), paprastosios eglės (Picea abies (L) Karst.), kanadinės tuopos (Populus ×canadensis Moench) (angl. Canadian poplar) ir paprastojo kaštono (Aesculus hypocastanum L.) – radikalųjį prieaugį veikia skirtingai. Geriausiai klimato sąlygų poveikį atspindi koreliaciniai ąžuolų radialiojo prieaugio ir bijūnų biometrinių dydžių koeficientai. Tarp jų vyrauja neigiami koeficientai – tai rodo, kad klimato sąlygos, kurios yra palankios bijūnų aukščio ir žiedų skersmens dydžiams, ąžuolų radialiojo prieaugio dydį veikia neigiamai. Taip pat nustatyta, kad pagal bijūnų biometrinius dydžius, ypač žiedų skersmenį, galima prognozuoti būsimą šių metų vėlyvosios medienos plotį, o pagal prieš metus buvusius rievių pločius galima spręsti apie būsimus biometrinius bijūnų dydžius.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".