Fragmentation, forest structure, and topography modulate impacts of drought in a tropical forest landscape
Notice bibliographique
Résumé
Climate models predict increases in drought conditions in many parts of the tropics. Yet the response of tropical forests to drought remains highly uncertain, especially with regards to the factors that generate spatial heterogeneity in drought response across landscapes. In this study, we used Landsat imagery to assess the impacts of a severe drought in 2015 across an ~80,000-ha landscape in Puerto Rico. Specifically, we asked whether drought effects varied systematically with topography and with forest age, height, and fragmentation. We quantified drought impacts using anomalies of two vegetation indices, the enhanced vegetation index (EVI) and normalized difference water index (NDWI), and fit random forest models of these metrics including slope, aspect, forest age, canopy height, and two indices of fragmentation as predictors. Drought effects were more severe on drier topographic positions, that is, steeper slopes and southwest-facing aspects, and in second-growth forests. Shorter and more fragmented forests were also more strongly affected by drought. We also assessed which factors were associated with stronger recovery from drought. Factors associated with more negative drought anomalies were also associated with more positive postdrought anomalies, suggesting that increased light availability as a result of drought led to high rates of recovery in forests more severely affected by drought. In general, recovery from drought was rapid across the landscape, with postdrought anomalies at or above average across the study area. This suggests that forests in Puerto Rico might be resilient to a single-year drought, though vulnerability to drought varies depending on forest characteristics and landscape position.
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 | 0,000 |
| 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 ».