Using tree-ring records to calibrate peak detection in fire reconstructions based on sedimentary charcoal records
Notice bibliographique
Résumé
We compared fire episodes over the past 150 years reconstructed using charcoal particles retrieved from well-dated sediment deposits from two small lakes in the eastern Canadian boreal forest, with dendrochronological reconstructions of fire events from the corresponding watersheds. Fire scars and age structure of living trees highlighted three fire events (ad 1890, 1941, and 1989). To explore the ability to detect these fire events based on sedimentary charcoal records, we explored the influence of two user-determined parameters of a widely used peak-detection algorithm (the CharAnalysis software): (1) the temporal resolution used to interpolate charcoal series and (2) the width of the smoothing window used to model background noise. The signal-to-noise index (SNI) is often used to evaluate the ability to detect peaks in sedimentary charcoal records, which can be related to fire events. SNI values >3 identify records appropriate for peak detection. Selecting standard settings in paleoecological studies (median temporal resolution of the entire sequence and 500- to 1000-year window width) yielded higher global SNI values but failed to detect most recent fire events. Instead, selecting a shorter reference period (the past ~150 years) to determine the temporal resolution to interpolate the charcoal series and a narrower smoothing window (100 years) best matched the tree-ring data despite lower SNI values (often <3.0). However, Holocene fire history differed markedly when reconstructed using different smoothing window widths (100–150 years vs >300 years). Consequently, we suggest using the smallest window width yielding a SNI >3. Practitioners must not necessarily focus on obtaining the highest possible SNI, usually related to wide smoothing windows. We also suggest that fire history reconstructions should focus on core sections presenting fairly constant sedimentation rates. Alternatively, sediments could be subsampled after age–depth models have been obtained.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».