Long-term forest damage due to an extreme weather event: An ice storm mediated by elevation causes tree breakage in sub-tropical China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Extreme weather events pose an ever-greater threat to people, infrastructure, and nature. Forest ecosystems are highly sensitive to extreme cold events that can disrupt ecosystem functions, especially in montane regions. Ice storms can be particularly destructive, with rapid ice accretion causing tree branches to break, even snapping or uprooting entire trees. In March 2022, the Shennongjia forest in central China experienced severe ice storm conditions that severely damaged over 230,300 ha. We utilized this opportunity to assess the vulnerability of different tree types (coniferous, deciduous, and evergreen broad-leaved) and stand compositions to damage resulting from ice glaze along an elevation gradient from 1,200 to 2,400 m a.s.l. Among the 7,144 trees surveyed, 10.1% suffered some extent of damage, which was most prolific in the middle elevation zone. While 96.8% of all damage occurred to deciduous broadleaved trees that dominated the forest community, the most severe damage (uprooting and lower trunk breakage) occurred to coniferous trees. The extent and severity of tree damage were moderated by forest composition, with secondary effects of forest structure and slope. Abiotic factors predominantly affected coniferous trees. We emphasize that more research and monitoring are needed to better understand the full impact of extreme weather events on forests, especially as the frequency and intensity of these events increases due to climate change.
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.
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) | 0,000 | 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 découle