Small mammal responses to structural retention through stubbing in foothills forests
Notice bibliographique
Résumé
Clear-cutting is often criticized for negatively impacting biodiversity, particularly for mammals requiring specific forest structures for shelter and foraging. In response, forestry practices increasingly incorporate residual retention, which aims to preserve original stand components with the goal of providing short and long-term benefits to biodiversity. We investigated the effectiveness of stubbing [a forest retention method that involves cutting trees at mid-stem height leaving behind tall standing stubs] in sustaining small mammal populations and enhancing habitat heterogeneity in Western Alberta's foothill forests. Using a paired-block design (clear-cut vs. stubbing), we monitored 67 blocks with motion-triggered camera traps. Gamma species richness, habitat use intensity (HUI), naïve occupancy, and species-level microhabitat associations were assessed. Stubbing treatments supported higher gamma richness (nine vs. seven) and higher occurrence of forest specialists, including Clethrionomys gapperi and Tamiasciurus hudsonicus , whereas clear-cuts were dominated by generalist species such as Peromyscus maniculatus . Microhabitat assessments revealed higher shrub cover and lower bare ground exposure in stubbing treatments. Species-level models showed that generalists like P. maniculatus preferred areas with high volumes of late-decay downed woody material and low grass cover. In contrast, C. gapperi showed reduced occurrence in areas with high volumes of late-decay wood, likely due to competition or predation risk. These findings suggest that stubbing can mitigate the biodiversity impacts of clear-cutting by preserving key structural habitat elements. It supports both generalist and specialist small mammal species and provides a practical tool for reconciling timber production with conservation objectives.
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 | 0,000 |
| 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) | 0,001 | 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 ».