Uncertainty in surface-fire history: the case of ponderosa pine forests in the western United States
Notice bibliographique
Résumé
Present understanding of fire ecology in forests subject to surface fires is based on fire-scar evidence. We present theory and empirical results that suggest that fire-history data have uncertainties and biases when used to estimate the population mean fire interval (FI) or other parameters of the fire regime. First, the population mean FI is difficult to estimate precisely because of unrecorded fires and can only be shown to lie in a broad range. Second, the interval between tree origin and first fire scar estimates a real fire-free interval that warrants inclusion in mean-FI calculations. Finally, inadequate sampling and targeting of multiple-scarred trees and high scar densities bias mean FIs toward shorter intervals. In ponderosa pine (Pinus ponderosa Dougl. ex P. & C. Laws.) forests of the western United States, these uncertainties and biases suggest that reported mean FIs of 2-25 years significantly underestimate population mean FIs, which instead may be between 22 and 308 years. We suggest that uncertainty be explicitly stated in fire-history results by bracketing the range of possible population mean FIs. Research and improved methods may narrow the range, but there is no statistical or other method that can eliminate all uncertainty. Longer mean FIs in ponderosa pine forests suggest that (i) surface fire is still important, but less so in maintaining forest structure, and (ii) some dense patches of trees may have occurred in the pre-Euro-American landscape. Creation of low-density forest structure across all parts of ponderosa pine landscapes, particularly in valuable parks and reserves, is not supported by these results.
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 | 0,006 | 0,000 |
| 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 ».