Guide pratique des plantations d'arbres des forêts denses humides d'Afrique
Bibliographic record
Abstract
En Afrique, les plantations d'arbres sont amenées à se développer pour plusieurs raisons : restauration des capacités de production et des services rendus par les forêts naturelles, valorisation des terres agroforestières, récolte plus aisée du bois et des produits forestiers non ligneux, etc. Les espèces exotiques n'offrant que des services spécifiques, il importe de redynamiser la plantation d'espèces locales. C'est l'objet de ce guide, qui s'est focalisé sur les essences des forêts denses humides, en capitalisant des résultats d'essais passés ou récents de six pays africains, et en mobilisant des compétences et connaissances individuelles. L'ouvrage aborde de façon pratique les différentes étapes d'un programme sylvicole : récolte et gestion des semences, construction et gestion des pépinières, modalités d'installation et de conduite des plantations. Une estimation des coûts et de la rentabilité de telles plantations est également fournie. Enfin, le livre décrit en détail l'itinéraire sylvicole de 50 espèces d'arbres des forêts denses humides africaines. Ce guide est destiné à un large public : gestionnaires, aménagistes, techniciens et ingénieurs forestiers, étudiants et scientifiques intéressés par la sylviculture tropicale.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.035 | 0.016 |
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".