Assessing variability in post‐fire forest structure along gradients of productivity in the Canadian boreal using multi‐source remote sensing
Notice bibliographique
Résumé
Abstract Aim Forest regeneration following fire is an important component of the global carbon cycle, but it is difficult to monitor over large and remote forested regions, such as Canada's north. In this study, we aim to (1) characterize how forest regeneration following fire varies across the Canadian boreal and (2) determine if this variability is captured by satellite‐derived estimates of productivity. Location Canadian boreal. Methods We relate structural measurements from light detection and ranging (lidar) data to gross primary productivity ( GPP ) estimates from the MOD erate Resolution Imaging Spectroradiometer ( MODIS ) along a 25‐year chronosequence of forest regeneration following fire. Over 400 patches that burned from 1985–2009 were analysed, with fire information obtained from a national Landsat‐derived record of forest change. Results In the first 15 years since fire ( YSF ), estimates of percent canopy cover (> 2 m) were typically low regardless of GPP (mean = 11.0–16.0%, SD = 7.8–8.9%) and correlations to GPP were relatively weak ( r = 0.18–0.48). Canopy cover was more variable between stands by 16–25 YSF (mean = 16.2–21.7%, SD = 16.0–17.1%), and correlations to GPP were stronger ( r = 0.63–0.71, P < 0.01). Conversely, variability in stand height (75th height percentile) remained low at 16–25 YSF (mean = 4.9–5.0 m, SD = 0.9–1.1 m) and weakly related to GPP ( r = 0.16–0.21). Main conclusions Satellite‐derived estimates of productivity capture differences in canopy structure across the boreal, but only after 15 YSF . While canopy cover varied strongly along gradients of productivity from 16–25 YSF , differences in vertical growth were less pronounced due to slow boreal growth rates. Our results provide important insights into how satellite‐derived estimates of productivity are realized structurally, as understanding regional variation in forest regeneration is critical to quantifying carbon dynamics in forests. Combining lidar‐derived estimates of structure with Landsat‐derived disturbance history is a valuable approach for characterizing variability in post‐fire structure over large forested areas.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».