A Meta‐Regression of 18 Wildfire Chronosequences Reveals Key Environmental Drivers and Knowledge Gaps in the Boreal Nitrogen Balance
Notice bibliographique
Résumé
ABSTRACT Climate change has increased the size and frequency of wildfires across the boreal biome. Severe wildfires in boreal forests have been found to trigger shifts from evergreen to deciduous canopies, which has cascading effects on carbon and nitrogen cycling. Ecosystem productivity and carbon uptake in boreal forests are strongly linked with nitrogen, and Earth system models increasingly depend on our understanding of the nitrogen balance to predict post‐fire carbon uptake. To investigate the post‐fire boreal nitrogen balance, we combined a mass balance approach and literature synthesis to estimate rates of nitrogen accumulation and nitrogen inputs across a network of 18 boreal wildfire chronosequences that varied in both wildfire regime and post‐fire canopy type, comprising 527 forest stands. We found that deciduous‐ or mixed‐dominance boreal forests establishing after severe, stand‐replacing fires had the highest nitrogen accumulation rates (15.7 ± 3.8 kg ha−1 year−1), while evergreen‐dominated forests establishing after surface‐ or mixed‐severity fires had the lowest nitrogen accumulation rates (1.4 ± 1.1 kg ha−1 year−1). Annual known inputs from nitrogen deposition and biological nitrogen fixation combined, estimated from published data, largely failed to explain the rate of nitrogen accumulation, particularly in deciduous or mixed‐dominance forests establishing after stand‐replacing fires, suggesting that the origins of most nitrogen in these forest types remain poorly understood. As the frequency of severe wildfires increases across the boreal biome and shifts toward deciduous canopies become more common, our study reveals a large knowledge gap in the resulting nitrogen balance that needs to be resolved in order to improve predictions of forest carbon uptake.
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 | 0,009 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,008 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».