Comparison of thinning and prescribed fire restoration treatments to Sierran mixed-conifer historic conditions
Notice bibliographique
Résumé
Thinning and prescribed fire are widely used to restore fire-suppressed forests, yet there are few studies of their effectiveness in Sierran mixed-conifer forest. We compared stand conditions in replicated plots before and after a combination of thinning and burning treatments against a reconstruction of the same forest in 1865. The historical forest had 67 stems/ha (trees ≥5 cm DBH), equal percentages of shade-tolerant and -intolerant tree species, stems randomly distributed at the stand scale, and a flat diameter distribution across size classes. The pretreatment forest averaged 469 stems/ha, which comprised 84% shade-tolerant and 14% shade-intolerant species, were highly clustered, and had a reverse-J-shaped diameter distribution. Thinning treatments failed to approximate historical composition, spatial pattern, or diameter distribution. Treatments left too many small trees, removed too many intermediate-sized trees (50–75 cm DBH), and retained a reverse-J-shaped diameter distribution. Current old growth comprises fewer large trees than historical conditions, suggesting that treatments should retain more intermediate-sized trees to provide for future large-tree recruitment. Understory thinning with prescribed fire significantly reduced stem density and produced a spatial pattern closest to historical conditions. Mixed-conifer restoration needs thinning prescriptions that vary by species and flexible rather than rigid upper diameter limits to retain some trees in all size classes.
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 | 0,002 | 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 ».