Fire return intervals and recruitment affect population growth rate of canopy trees in tall open forest in humid savanna
Notice bibliographique
Résumé
Abstract Savannas are the major biome in tropical regions of the globe, defined as sparsely wooded regions with a continuous herbaceous layer of mainly C 4 grasses where rainfall is distinctly seasonal. Fire is a common feature of most savannas. The largest protected areas of savannas are found in sparsely populated monsoonal northcentral Australia with strong annual wet and dry seasons. The most common vegetation type is relatively intact, tall (<15 m), open forests where Eucalyptus canopy trees form the basic structure. Over the past half century, traditional indigenous fire regimes were largely replaced by contemporary fires where individual trees may experience fire as often as 3 out of 5 years. The potential for long‐term persistence of the canopy tree populations is an open question. A stage‐based population model of the canopy trees was previously developed to address this question, drawing on data from three decades of experimental field studies wherein the survival, growth, and reproduction of individual marked trees were recorded under different seasonal fires and understory types to produce transition matrices among eight life history stages, and used to calculate population growth rates (λ). Here, we apply that model to determine how λ varies across a range of fire return intervals from 1 to 12 years for both early and late dry season fires, in two different understory types. We also explore the sensitivity of λ to two key life history parameters: recruitment and seedling survival. Minimum fire return intervals of 2–5 years were generally required for λ ≥1 that would allow populations to persist; these were shorter with stochastic year‐to‐year timing of fires and with higher recruitment rates. Uniquely, under certain conditions, there was also a maximum fire return interval above which λ <1, creating a “window” of fire return intervals that allowed canopy tree populations to persist. Mechanisms underpinning results as well as implications for savanna structure, alternate states, cyclical dynamics, future research, and management by fire are discussed.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».