MOOSE USE OF THE MOUNT MCALLISTER BURN IN NORTH-CENTRAL BRITISH COLUMBIA: INFLUENCE OF BURN SEVERITY AND SOIL MOISTURE
Notice bibliographique
Résumé
The influence of recent wildfires in British Columbia (BC) on moose habitat and its use by moose are understudied, as are prescribed burning strategies that can be used to enhance moose habitat. Our objective was to investigate how 3 classes of fire severity (high, medium, low) interact with 3 soil moisture regimes (hydric, mesic, xeric) in determining how moose use post-fire habitat. In north-central BC, we studied moose use at 2 different spatial levels in the 5-year-old, 26,500 ha Mt. McAllister burn. At the site level, we estimated the density of fecal pellet groups and the percent of plants browsed by moose within plots of varying burn severity and soil moisture. At the landscape level, we investigated use from GPS locations of 7 radio-collared female moose at 3 orders of selection: we compared: 1) randomly distributed locations within the home range to randomly distributed locations throughout the entire burn (2nd order of selection); 2) use locations to randomly distributed potential locations within the home range (3rd order of selection); and daily use locations with potential movement locations (4th order of selection). At the site level, moose used areas of low/medium fire severity and hydric soil moisture. At the landscape level, moose preferred areas of medium fire severity at the daily order, and low/medium fire severity at both the home range and burn orders of selection. Our findings highlight that moose use of post-fire habitat varied by spatial scale and by order of selection and that researchers assessing use of burns by moose should consider multiple levels of investigation. Prescribed burning to enhance moose habitat should focus on low/medium fire severity at sites with mesic soil moisture.
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 | 0,001 |
| 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 ».