Dramatic increase in water use efficiency with cumulative forest disturbance at the large forested watershed scale
Notice bibliographique
Résumé
Abstract Background Forest disturbance induced changes in the coupling of forest carbon and water have important implications for ecosystem functioning and sustainable forest management. However, this is rarely investigated at the large watershed scale with cumulative forest disturbance. We used a combination of techniques including modeling, statistical analysis, and machine learning to investigate the effects of cumulative forest disturbance on water use efficiency (WUE, a proxy for carbon and water coupling) in the 19,200 km2 Chilcotin watershed situated in the central interior of British Columbia, Canada. Harvesting, wildfire, and a severe Mountain Pine Beetle (MPB) infestation have gradually cumulated over the 45-year study period, and the watershed reached a cumulative equivalent clear-cut area of 10% in 1999 and then 40% in 2016. Results Surprisingly, with the dramatic forest disturbance increase from 2000 to 2016 which was mainly due to MPB, watershed-level carbon stocks and sequestration showed an insignificant reduction. This resilience was mainly due to landscape-level carbon dynamics that saw a balance between a variety of disturbance rates and types, an accumulation of older stand types, and fast growing young regenerated forests. Watershed-level carbon sequestration capacity was sustained, measured by Net Primary Production (NPP). A concurrent significant decrease in annual evapotranspiration (ET), led to a 19% increase in WUE (defined as the ratio of NPP to ET), which is contrary to common findings after disturbance at the forest stand-level. During this period of high disturbance, ET was the dominant driver of the WUE increase. Conclusions We conclude that disturbance-driven forest dynamics and the appropriate scale must be considered when investigating carbon and water relationship. In contrast to the stand-level trade-off relationship between carbon and water, forested watersheds may be managed to maintain timber, carbon and water resources across large landscapes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 ».