Evaluating Post-Fire Vegetation Recovery in North American Mixed Prairie Using Remote Sensing Approaches
Notice bibliographique
Résumé
Research on the effects of fire on grassland ecosystems yields among the most controversial research results. This is caused by the global distribution of grasslands under different environmental conditions in addition to complex fire characteristics (time, severity, frequency, history etc.). Challenges and discrepancies arise from various temporal and spatial scales, as well as methods used. Moreover, the function of fire can be different from one grassland to another. In the large body of grassland fire literature, the Canadian northern mixed prairie is understudied, especially regarding the vegetation’s post-fire recovery. The wildfire in April 2013 provided an opportunity to study how the grassland responded to the burning, and particularly how remote sensing can provide potential solutions to grassland fire studies in this region. This research investigated the vegetation’s post-fire recovery using six years’ field survey data. Results indicate a quick overall recovery of the grassland, but with different vegetation forms recovering at various post-fire growing seasons. Green grass was the most resilient component that fully recovered one year post-fire, followed by forbs at two years post-fire, with shrubs and the soil organic crust taking longer than four years to recover. The ecosystem recovered to the unburned state roughly after four years. This conclusion agrees with the shortest fire interval of some research, probably because of the heavy fuel loading before the wildfire, due to Grasslands National Park’s long-term conservation practice. Both hyperspectral data and historical Landsat images were investigated to demonstrate their effective assessment of the post-fire grassland vegetation recovery trajectory.
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 | 0,002 | 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 | 0,000 | 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 ».