Threshold peat burn severity breaks evaporation‐limiting feedback
Notice bibliographique
Résumé
Abstract A suite of autogenic ecohydrological feedbacks and moss traits are important for protecting vast peatland carbon stocks following wildfire disturbance. Here, we examine how peat burn severity and water table depth (WTD) affect the strength of one such feedback—the hydrophobicity–evaporation feedback (HEF). The HEF is an evaporation‐limiting feedback known to minimize water loss following wildfire. The peatland surface becomes hydrophobic creating an evaporative cap and thereby reducing post‐fire evaporation; however, recent studies hypothesize that this is dependent on peat burn severity. To test this hypothesis, we studied plots along a peat burn severity gradient in a partially drained black spruce peatland that burned during the 2016 Fort McMurray Horse River wildfire. Evaporation rates were significantly lower in plots where hydrophobicity was present. Hydrophobicity was lowest in the severely burned area, and the average instantaneous evaporation rate (2.75 mm day −1 ) was significantly higher than moderately and typical‐lightly burned areas (0.82 and 1.64 mm day −1 , respectively). Based on lab results, increasing WTD affected hydrophobicity within lightly burned (singed) feather moss samples but not in heavily burned feather moss, showing the importance of post‐fire ground cover and in situ WTD. Our results provide evidence of a burn severity threshold where increased depth of burn removes the feather moss evaporative cap and causes the HEF to break down. We argue that this threshold has important implications for boreal peatlands, which are predicted to undergo climate‐mediated pre‐fire drying and increasing burn severities, potentially leading to further carbon losses due to enhanced post‐fire drying and concomitant decomposition.
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) | 0,010 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».