The environmental drivers of tree cover and forest–savanna mosaics in Southeast Asia
Notice bibliographique
Résumé
Forest–savanna mosaics exist across all major tropical regions. Yet, the influence of environmental factors on the distribution of these mosaics is not well explored, limiting our understanding of the environmental constraints on savannas especially in Southeast Asia, where most savannas exist in mosaics. Despite clear structural and functional characteristics indicative of savannas, most SE Asian savannas continue to be classified as forest. This designation is problematic because SE Asian savannas are threatened by both fragmentation and forest‐centric management practices. By studying forest–savanna mosaics across SE Asia, we aimed to parse out how landscape mosaics of forest and savanna may be constrained by fire, climate and soil characteristics. We used remotely sensed data to characterize the distribution of tree cover and forest–savanna mosaics. Using regression models, we quantified the relative effects of precipitation, fire frequency, seasonality and soil characteristics on average tree cover and landscape patchiness. We found that low tree cover, indicative of savannas, occurs in drier, seasonal subregions that experience frequent fire. Further, our results demonstrate that fire and precipitation strongly shape landscape patchiness. Landscapes were patchiest in subregions with low precipitation and intermediate fire frequency. These results demonstrate that the environmental factors important in delineating the distribution of savannas globally shape the distribution of tree cover and landscape patchiness across SE Asia. Fire especially drives patterns of tree cover across scales. In a region where fire suppression is a common management strategy, our results suggest that further research studying vegetation response to fire and fire suppression is needed to improve management and conservation of these mosaic landscapes. More broadly, this work demonstrates a useful approach for studying the environmental drivers that influence the distribution of forest–savanna mosaics.
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 | 0,001 |
| 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) | 0,001 | 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 ».