Soil nitrogen mineralization and enzymatic activities in fire and fire surrogate treatments in California
Notice bibliographique
Résumé
Miesel, J. R., Boerner, R. E. J. and Skinner, C. N. 2011. Soil nitrogen mineralization and enzymatic activities in fire and fire surrogate treatments in California. Can. J. Soil Sci. 91: 935–946. Forest thinning and prescribed fire are management strategies used to reduce hazardous fuel loads and catastrophic wildfires in western mixed-conifer forests. We evaluated effects of thinning (Thin) and prescribed fire (Burn), alone and in combination (Thin+Burn), on N transformations and microbial enzyme activities relative to an untreated control (Control) at 1 and 3 yr following treatment in northern California. N mineralization and net nitrification were reduced by Thin and by Burn in year 1, and N mineralization was increased by Thin+Burn in year 3, relative to the Control. In general, all experimental treatments reduced soil enzyme activity. To identify overall treatment effects on the below-ground ecosystem, we combined these data with soil physicochemical data from this site to perform non-metric multidimensional scaling (NMS) ordination. NMS ordination showed that Burn and Thin+Burn produced the greatest overall effects on soil, and that overall differences in soil characteristics among treatments diminish over time. These results provide an important benchmark for monitoring ecosystem effects of large-scale wildfire hazard reduction strategies over the long term.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».