Wpływ zmian klimatu na środowisko leśne / Impacts of climate change on forest environment
Bibliographic record
Abstract
W dniach 15–17 marca 2022 r. w Instytucie Badawczym Leśnictwa odbyła się XII Sesja Zimowej Szkoły Leśnej, której tematem był „Wpływ zmian klimatu na środowisko leśne”. Spośród licznych propozycji, o wyborze powyższego tematu przesądziło obserwowane od wielu lat systematyczne pogorszanie się stanu zdrowotnego drzewostanów na skutek synergicznego oddziaływania wielu czynników abiotycznych i biotycznych w warunkach zmian klimatu.<br> Współorganizatorem Sesji była Dyrekcja Generalna Lasów Państwowych. Merytoryczne aspekty XII Sesji zostały przygotowane i opracowane przez Radę Programową Zimowej Szkoły Leśnej w składzie: dr hab. Krzysztof Stereńczak, prof. IBL (przewodniczący), prof. dr hab. Bogdan Brzeziecki, mgr inż. Michał Graczyk, prof. dr hab. Andrzej Grzywacz, prof. dr hab. Andrzej Jagodziński, prof. dr hab. Janusz Olejnik, mgr inż. Jan Tabor, mgr inż. Krzysztof Rostek, prof. dr hab. Iwona Skrzecz, dr inż. Klaudia Ziemblińska. Rada Programowa określiła nie tylko zakres problematyki XII Sesji, ale także propozycje tematyczne referatów zamawianych oraz ich autorów.<br> W trakcie trzech dni obrad prelegenci przedstawili 33 referaty. Referaty wygłosili również zaproszeni goście zagraniczni reprezentujący: Uniwersytet w Helsinkach, Czeski Uniwersytet Przyrodniczy w Pradze, Instytut Badań nad Zmianami Globalnymi<br> (Czechy), Uniwersytet Wspólnoty Wirginii, Łotewski Państwowy Instytut Badawczy Leśnictwa oraz Integrated Carbon Observation System.<br> W XII Sesji, która odbyła się w wersji online, wzięło udział niemal 200 osób reprezentujących m.in.: Ministerstwo Klimatu i Środowiska, jednostki organizacyjne Lasów Państwowych, ośrodki uniwersyteckie i instytuty badawcze. Liczne grono stanowili również przedstawiciele ośrodków naukowych oraz polskich uczelni leśnych.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".