Fuel treatments reduce the severity of wildfire effects in dry mixed conifer forest, Washington, USA
Notice bibliographique
Résumé
To address hazardous fuel accumulations, many fuel treatments are being implemented in dry forests, but there have been few opportunities to evaluate treatment efficacy in wildfires. We documented the effectiveness of thinning and prescribed burning in the 2006 Tripod Complex fires. Recent fuel treatments burned in the wildfires and offered an opportunity to evaluate if two treatments (thin only and thin and prescribed burn) mitigated fire severity. Fire severity was markedly different between the two treatments. Over 57% of trees survived in thin and prescribed burn (thinRx) units versus 19% in thin only (thin) and 14% in control units. Considering only large-diameter trees (>20 cm diameter at breast height), 73% survived in thinRx units versus 36% and 29% in thin and control units, respectively. Logistic regression modeling demonstrates significant reductions in the log-odds probability of tree death under both treatments with a much greater reduction in thinRx units. Other severity measures, including percent crown scorch and burn severity index, are significantly lower in thinRx units than in thin and control units. This study provides strong quantitative evidence that thinning alone does not reduce wildfire severity but that thinning followed by prescribed burning is effective at mitigating wildfire severity in dry western 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 | 0,004 | 0,001 |
| 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 | 0,001 |
| 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) | 0,000 | 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 ».