Mapping and exploring variation in post‐fire vegetation recovery following mixed severity wildfire using airborne Li<scp>DAR</scp>
Notice bibliographique
Résumé
There is a public perception that large high-severity wildfires decrease biodiversity and increase fire hazard by homogenizing vegetation composition and increasing the cover of mid-story vegetation. But a growing literature suggests that vegetation responses are nuanced. LiDAR technology provides a promising remote sensing tool to test hypotheses about post-fire vegetation regrowth because vegetation cover can be quantified within different height strata at fine scales over large areas. We assess the usefulness of airborne LiDAR data for measuring post-fire mid-story vegetation regrowth over a range of spatial resolutions (10 × 10 m, 30 × 30 m, 50 × 50 m, 100 × 100 m cell size) and investigate the effect of fire severity on regrowth amount and spatial pattern following a mixed severity wildfire in Warrumbungle National Park, Australia. We predicted that recovery would be more vigorous in areas of high fire severity, because park managers observed dense post-fire regrowth in these areas. Moderate to strong positive associations were observed between LiDAR and field surveys of mid-story vegetation cover between 0.5-3.0 m. Thus our LiDAR survey was an apt representation of on-ground vegetation cover. LiDAR-derived mid-story vegetation cover was 22-40% lower in areas of low and moderate than high fire severity. Linear mixed-effects models showed that fire severity was among the strongest biophysical predictors of mid-story vegetation cover irrespective of spatial resolution. However much of the variance associated with these models was unexplained, presumably because soil seed banks varied at finer scales than our LiDAR maps. Dense patches of mid-story vegetation regrowth were small (median size 0.01 ha) and evenly distributed between areas of low, moderate and high fire severity, demonstrating that high-severity fires do not homogenize vegetation cover. Our results are relevant for ecosystem conservation and fire management because they: indicate that native vegetation are responsive and resilient to high-severity fire, and show the usefulness of remote sensing tools such as LiDAR to monitor post-fire vegetation recovery over large areas in situ.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».