Comparing methods of reconstructing fire history using fire scars in a southwestern United States ponderosa pine forest
Notice bibliographique
Résumé
Fire scars have been used to understand the historical role of fire in ponderosa pine (Pinus ponderosa Dougl. ex P. & C. Laws.) ecosystems, but sampling methods and interpretation of results have been criticized for being statistically invalid and biased and for leading to exaggerated estimates of fire frequency. We compared "targeted" sampling, random sampling, and grid-based sampling to a census of all 1479 fire-scarred trees in a 1 km 2 study site in northern Arizona. Of these trees, 1246 were sufficiently intact to collect cross-sections; of these, 648 had fire scars that could be cross-dated to the year of occurrence in the 200-year analysis period. Given a sufficient sample size (approximately n ≥ 50), we concluded that all tested sampling methods resulted in accurate estimates of the census fire frequency, with mean fire intervals within 1 year of the census mean. We also assessed three analytical techniques: (1) fire intervals from individual trees, (2) the interval between the tree origin and the first scar, and (3) proportional filtering. "Bracketing" fire regime statistics to account for purported uncertainty associated with targeted sampling was not useful. Quantifying differences in sampling approaches cannot resolve all the limitations of fire-scar methods, but does strengthen interpretation of these data.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».