Overstory tree mortality resulting from reintroducing fire to long-unburned longleaf pine forests: the importance of duff moisture
Notice bibliographique
Résumé
In forests historically maintained by frequent fire, reintroducing fire after decades of exclusion often causes widespread overstory mortality. To better understand this phenomenon, we subjected 16 fire-excluded (ca. 40 years since fire) 10 ha longleaf pine ( Pinus palustris Mill.) stands to one of four replicated burning treatments based on volumetric duff moisture content (VDMC): wet (115% VDMC); moist (85% VDMC); dry (55% VDMC); and a no-burn control. During the first 2 years postfire, overstory pines in the dry burns suffered the greatest mortality (mean 20.5%); pine mortality in the wet and moist treatments did not differ from the control treatment. Duff reduction was greatest in the dry burns (mean 46.5%), with minimal reduction in the moist and wet burns (14.5% and 5%, respectively). Nested logistic regression using trees from all treatments revealed that the best predictors of individual pine mortality were duff consumption and crown scorch (P < 0.001; R 2 = 0.34). Crown scorch was significant only in dry burns, whereas duff consumption was significant across all treatments. Duff consumption was related to moisture content in lower duff (Oa; R 2 = 0.78, P < 0.001). Restoring fire to long-unburned forests will require development of burn prescriptions that include the effects of duff consumption, an often overlooked fire effect.
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 | 0,009 | 0,004 |
| 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 ».