Simulating fuel treatment effects in dry forests of the western United States: testing the principles of a fire-safe forest
Notice bibliographique
Résumé
We used the Fire and Fuels Extension to the Forest Vegetation Simulator (FFE-FVS) to simulate fuel treatment effects on 45 162 stands in low- to midelevation dry forests (e.g., ponderosa pine ( Pinus ponderosa Dougl. ex. P. & C. Laws.) and Douglas-fir ( Pseudotsuga menziesii (Mirb.) Franco) of the western United States. We evaluated treatment effects on predicted post-treatment fire behavior (fire type) and fire hazard (torching index). FFE-FVS predicts that thinning and surface fuel treatments reduced crown fire behavior relative to no treatment; a large proportion of stands were predicted to transition from active crown fire pre-treatment to surface fire post-treatment. Intense thinning treatments (125 and 250 residual trees·ha –1 ) were predicted to be more effective than light thinning treatments (500 and 750 residual trees·ha –1 ). Prescribed fire was predicted to be the most effective surface fuel treatment, whereas FFE-FVS predicted no difference between no surface fuel treatment and extraction of fuels. This inability to discriminate the effects of certain fuel treatments illuminates the consequence of a documented limitation in how FFE-FVS incorporates fuel models and we suggest improvements. The concurrence of results from modeling and empirical studies provides quantitative support for “fire-safe” principles of forest fuel reduction (sensu Agee and Skinner 2005. For. Ecol. Manag. 211: 83–96).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».