Tree mortality patterns following prescribed fires in a mixed conifer forest
Notice bibliographique
Résumé
During the late fall of 2002 we administered three burns in mixed conifer forest sites in the north-central Sierra Nevada. Eight months later we measured fire-induced injury and mortality in 1300 trees. Using logistic regression, an array of crown scorch, stem damage, fuels, and fire-behavior variables were examined for their influence on tree mortality. In Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco), white fir (Abies concolor (Gord. & Glend.) Lindl.), and incense cedar (Calocedrus decurrens (Torr.) Florin), smaller trees with greater total crown damage had higher mortality rates. Smaller stem diameters and denser canopies predicted mortality best in ponderosa pine (Pinus ponderosa Dougl. ex P. Laws. & C. Laws). Duff consumption and bark char severity increased model discrimination for white fir and incense cedar and California black oak (Quercus kelloggii Newberry), respectively. In tanoak (Lithocarpus densiflorus (Hook. & Arn.) Rehd.), greater total crown damage in shorter trees resulted in higher mortality rates. Along with tree diameter and consumption of large (>7.6 cm diameter at breast height, DBH) rotten downed woody debris, fire intensity was a significant predictor of overall tree mortality for all species. Mortality patterns for white fir in relation to crown damage were similar among sites, while those for incense cedar were not, which suggests that species in replicated sites responded differently to similar burns. Our results demonstrate actual fire-behavior data incorporated into mortality models, and can be used to design prescribed burns for targeted reduction of tree density in mixed conifer forests.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».