FUEL TREATMENT EFFECTIVENESS IN THE MESIC NORTHERN ROCKY MOUNTAINS
Notice bibliographique
Résumé
Fire severity in mesic mixed-conifer forests is shaped by complex interactions among climate, weather, fuels, and topography, yet treatment effectiveness in these systems remains poorly quantified across broad landscapes. We evaluated drivers of burn severity and fuel treatment effectiveness across four Northern Rocky Mountain ecoregions (Canadian Rockies, Idaho Batholith, Middle Rockies, and Northern Rockies) using an empirical, landscape-scale modeling framework. We compiled burn severity, treatment history, and environmental predictors for 700 wildfires (2001–2023), and developed Random Forest models using both gridded weather (gridMET) and higher-resolution TopoFire predictors. Treatment effectiveness was evaluated using matched-control comparisons and a counterfactual approach that estimated expected severity under a no-treatment scenario. Across ecoregions, fire severity was most strongly regulated by climate and short-term weather conditions, particularly predictors related to fuel moisture (e.g., dead fuel moisture, soil moisture, and climate water deficit), while static topographic and fuel metrics played secondary, context-dependent roles. Elevation was the only topographic predictor consistently ranked among the strongest variables, likely reflecting covariation with bioclimatic gradients rather than independent controls on fire behavior. Incorporating higher-resolution TopoFire weather data modestly improved representation of within-fire variability but did not substantially improve model performance or transferability to independent fires, underscoring challenges in generalizing severity models across heterogeneous landscapes. Treatment effectiveness varied by treatment type, age, ecoregion, and evaluation method. Combined treatments that reduced both canopy and surface fuels—particularly removal + surface reduction and removal + prescribed fire—showed the most consistent reductions in severity. In several categories, older treatments occasionally reduced severity more than recent treatments, suggesting that treatment longevity in mesic forests may be mediated by fuelbed decomposition and moisture dynamics. Across the study extent, prior wildfire and prescribed fire comprised the largest treatment footprints within subsequent wildfire perimeters, indicating that wildfire itself is a dominant driver of landscape fuel modification. These findings highlight the context dependence of treatment outcomes in mesic forests and support evaluation frameworks that integrate counterfactual modeling and broader management objectives beyond severity reduction.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».