No increased drought-related mortality after thinning: a meta-analysis
Notice bibliographique
Résumé
Abstract Context Forest scientists are challenged to identify and propose evidence-based silvicultural options to mitigate the impacts of drought events induced by climate change. For example, it has been suggested that thinning increases soil water availability for individual trees by reducing stand density and stand-level transpiration. Many studies have assessed the impact of thinning on stem growth and transpiration of individual trees during and after drought events. Often, growth increases were observed, but not consistently, and their impact on tree survival following drought has rarely been addressed. Aims We aimed to assess the effect of thinning on tree mortality, the ultimate indicator of tree resistance to soil water deficit induced by drought, with a focus on dominant trees. Methods We conducted a risk ratio meta-analysis on tree mortality before and after an extreme drought event with 32 thinning experiments from nine studies in Europe and North America. Results We showed that thinning reduced the overall mortality risk of trees. However, the lower mortality rate in thinned stands relative to unthinned stands in pre-drought periods was not further reduced during and after extreme drought events ( p > 0.05). This may be due to the large heterogeneity and inconsistent reporting of mortality across the studies included in our analysis. Thinning did not exacerbate mortality among dominant trees. Conclusion Since thinning did not increase mortality, its application can still be recommended for many other management objectives such as maintaining tree species richness or lower disturbance risks from windthrow. We propose better documentation of thinning trials to improve the data base for systematic reviews.
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».