Intensive forest harvesting increases susceptibility of northern forest soils to carbon, nitrogen and phosphorus loss
Notice bibliographique
Résumé
Abstract Understanding the impact of forest harvesting is critical to sustainable forest management, yet there remains much uncertainty regarding how harvesting affects soil carbon (C), nitrogen (N) and phosphorus (P) dynamics. Here, we conducted a global meta‐analysis of 808 observations from 49 studies to test the effects of harvesting on the stocks and concentrations of soil C, N and P and C:N:P ratios relative to uncut control stands. With all harvesting intensities combined, C stock was unaffected by harvesting in either the forest floor or mineral soil, while harvesting reduced forest floor [C], [N] and [P] and C:N ratio, increased the mineral soil [C] and C:N ratio, but reduced mineral soil N stock. The impacts of harvesting on forest floor C and N stocks, C:P and N:P and mineral soil [C] and [N] changed from no effects by partial, stem‐only and whole‐tree harvesting (WTH) to significantly negative effects by the harvesting coupled with fire. Stem‐only and WTH similarly reduced forest floor [P]. The negative effects of harvesting were most pronounced in conifer stands. Soil [C], [N] and C:N decreased with time since harvesting, but soil [P] did not, resulting in an increase in forest floor N:P. Synthesis and applications . Our findings highlight the importance of harvest intensity and rotation length on long‐term soil nutrient availability when managing forests. Furthermore, the lag in the recovery of phosphorus concentration following harvesting may indicate a decoupling of the phosphorus cycle from those of carbon and nitrogen, and a potential concern in managed forests.
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 | 0,000 | 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 | 0,000 |
| 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 ».