Long-term benefits of burns for large mammal habitat undermined by large, severe fires in the American West
Notice bibliographique
Résumé
Escalating wildfire frequency and severity are altering wildland habitats worldwide. Yet investigations into fire impacts on wildlife habitat rarely extend to the macroecological scales relevant to species conservation and global change processes. We evaluate the effects of wildfire on habitat quality and selection by large mammals spanning three trophic levels in the Western United States. We analyze 12 years of GPS telemetry data for 2,966 mule deer (Odocoileus hemionus), 52 black bears (Ursus americanus), and 74 cougars (Puma concolor) across Utah and Nevada, USA. Over 800 areas burned between 1990-2022 overlapped with the home ranges of 1,892 animals, resulting in almost 23,000 km2 of burned habitat and representing 12.8% of the total home range area for animals in our sample. Habitat suitability models for 664 mule deer, 14 black bears, and 11 cougars indicated that burns improved summer home range quality for mule deer and black bears by 7% and 14%, respectively, highlighting the benefits of fires for nutrient cycling, understory herbaceous growth, and resultant caloric value for animal nutrition. When making fine-scale movement decisions, however, mule deer avoided burned habitats, and all three species generally avoided high-severity burns for up to 30 years post-fire. Thus, the effects of burns on wildlife habitat selection appear to be dependent on spatial scale. Given projected increases in large, severe fires, our results suggest potential reductions in beneficial habitat for wildlife in the long term. However, our results also suggest that prescribed burns, because of their smaller spatial footprints and lower severity relative to wildfires, can benefit wildlife habitat quality through improvements in forage, cover, and other vegetation characteristics. Therefore, managing for low-severity burns and limiting large, severe wildfires, e.g., via prescribed burns or fire control policies, could positively impact the habitat quality of these three common species and, therefore, the economic and ecosystem services they provide.
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 | 0,000 |
| 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 ».