The carbon cost of the 2019–20 Australian fires varies with fire severity and forest type
Notice bibliographique
Résumé
Abstract Aim To estimate loss of above‐ground carbon (AGC) and conversion of live carbon to dead carbon following understorey and canopy fire. Location South‐eastern Australia. Time period 2019–2020. Major taxa studied Four widespread resprouting eucalypt forests. Methods Above‐ground carbon was measured in 15 plots in each of four forest types one‐year post‐fire. We also assessed topkill, that is, trees subject to canopy loss that failed to resprout epicormically. Results While canopy fire was associated with greater declines in AGC than understorey fire, this was only statistically significant for only one forest type, where AGC declined from 154 to 85 Mg C ha−1 following canopy fire. Significant post‐fire increases in dead AGC were observed in one forest type, where dead carbon increased from 22 to 60% after canopy fire. Topkill of trees following canopy fire (48–78% of stems) was higher than topkill after understorey fire (36–53% of stems) and in unburnt forest (12–55%). Topkill occurred primarily in small‐diameter stems. Consequently, there was no effect of fire on the proportion of dead AGC in trees, with the exception of the forest with lowest productivity (i.e., lowest biomass) and lowest annual rainfall, where dead tree carbon increased from 8% in unburnt forest to 13 and 53% after understorey and canopy fire, respectively. AGC in understorey vegetation and coarse woody debris was similar or lower in burnt compared with unburnt forest. Litter carbon was significantly lower and pyrogenic carbon significantly higher in burnt forest, with no difference between understorey and canopy fire. Main conclusions While increased fire severity was associated with increased changes to carbon stocks, there were differences among forest types. Specifically, the driest forest type had the highest rates of topkill following canopy fire. These results highlight the importance of spatial variability in fire severity and forest type in determining the effects of fire on carbon stocks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».