Оцінка впливу інтенсивності відбору проб польової інвентаризації на продуктивність моделі лісового ландшафту для визначення ризику масштабних лісових пожеж

Наукові доповіді обсяг 14 , Номер статті:  3073 ( 2024 )

Анотація

Історично склалося так, що пожежа була важливою в лісах на південному заході США. Проте століття пожежонебезпечності та зміна клімату створили ліси, які більш сприйнятливі до нехарактерно сильних лісових пожеж. Менеджери лісів використовують комбінацію проріджування та спалювання, щоб зменшити густоту лісу, щоб зменшити ризик виникнення сильних пожеж. Ці процедури є трудомісткими та дорогими, тому оптимізація їхнього впливу має вирішальне значення. Імітаційні моделі ландшафту можуть бути корисними для виявлення зон високого ризику та оцінки ефектів обробки, але невизначеності в цих моделях можуть обмежити їхню корисність у прийнятті рішень. У цьому дослідженні ми досліджували основні невизначеності у початковому шарі рослинності, використовуючи попереднє дослідження пожежі в Санта-Фе та використовуючи нові інвентаризаційні ділянки зі 111 деревостанів для інтерполяції початкових умов лісу. Ми виявили, що більше ділянок інвентаризації призвело до іншого географічного розподілу та ширшого діапазону змодельованої біомаси. Це змінило розташування ділянок з високою ймовірністю пожеж високого ступеня тяжкості, змістивши оптимальне розташування для управління. Збільшення діапазону мінливості біомаси від використання більшої кількості ділянок для інтерполяції початкового шару рослинності також вплинуло на динаміку вуглецю в екосистемі, що призвело до моделювання лісових умов, які мали вищі показники поглинання вуглецю. Ми робимо висновок, що початковий ярус лісу суттєво впливає на динаміку пожежі та вуглецю і залежить як від кількості ділянок, так і від достатнього представлення діапазону типів лісу та щільності біомаси.

Стаття 29 січня 2024 року

Вступ

Вогонь був невід’ємною та важливою частиною лісів на південному заході США протягом тисячоліть 1 , 2 . Історично склалося так, що сухі ліси південного заходу часто зазнавали пожеж, які зберегли характерну для них неоднорідну структуру рослинності. Однак історія землекористування та політика протипожежної безпеки протягом останнього століття призвели до збільшення щільності дерев, безперервності крони та палива, що змінило те, як вогонь поводиться та взаємодіє з рослинністю 3 , 4 , 5 . Крім того, потепління та висихання атмосфери є каталізатором смертності дерев, погіршуючи високі паливні навантаження від пожежі 6 , 7 і роблячи паливо більш доступним для спалювання 8 , 9 . Сукупний вплив протипожежної безпеки та триваючої зміни клімату збільшив вигоряну площу та спричинив збільшення нехарактерних пожеж із великими осередками високої тяжкості 10 , 11 . Великі потужні пожежі створюють виклик суспільству та екосистемам і спонукають суспільство інвестувати в управлінську діяльність, яка зменшує ризик надзвичайної лісової пожежі 12 . Однак розмір території, що потребує відновлення, великий, і ефективне використання ресурсів управління вимагає розуміння того, де на ландшафті ризик найбільший 13 , 14 .

Сучасне управління лісовим паливом на південному заході США включає поєднання проріджування дерев малого діаметра та рекомендованого спалювання для зменшення щільності дерев, поверхневого палива та палива для сходів, яке може перенести вогонь від поверхні до крони. Це може зменшити ризик виникнення пожежі високої тяжкості 15 , 16 , 17 . Тим не менш, ці способи обробки можуть мати різний ступінь ефективності для зменшення ризику пожежі високої тяжкості, а витрати на одиницю площі коливаються від десятків до сотень доларів на гектар для рекомендованого спалювання до кількох тисяч доларів на гектар для проріджування та ручного засипання паль. різаний матеріал (найдорожча обробка) 18 , 19 , 20 . Одним з ефективних підходів до зниження ризику пожежі високої тяжкості, особливо в районах, де наслідки є більшими (наприклад, на межі дикої місцевості та міста), є проріджування знизу в поєднанні з прописаним спалюванням. На південному заході США проріджування в поєднанні з прописаним спалюванням є одним із найдорожчих способів лікування, оскільки багато дерев не підлягають продажу. Таким чином, підготовка ландшафту до сприйняття пожежі та зниження ризику виникнення лісової пожежі високого рівня залежить від використання методів проріджування таким чином, щоб вони сприяли встановленому спалюванню та контролювали природні займання для вигоди ресурсів на більшій частині ландшафту 16 , 21 . Сприяння поверненню до більш гетерогенної лісової структури, яка підтримується частими пожежами, допоможе забезпечити саморегулюючу систему, яка обмежує доступне паливо 22 .

Цілі управління відрізняються з точки зору бажаного результату та запланованих часових рамок і часто є актом балансування кількох цілей, які можуть включати, окрім зменшення масштабів пожежі та відновлення лісів, захист водозбору, збереження середовища існування та стабілізацію вуглецю 23 , 24 , 25 , 26 . Досягнення короткострокових цілей, таких як зменшення ризику сильних лісових пожеж для громад, і довгострокових цілей, таких як управління накопиченням вуглецю для сприяння регулюванню клімату, вимагає оцінки компромісів як у часі, так і в просторі. Облік компромісів між цілями управління в різних часових і просторових масштабах стає дедалі складнішим, оскільки кількість цілей і взаємодій між ними зростає, що вимагає використання моделей лісового ландшафту для кращого розуміння сценаріїв лікування та їхніх можливих результатів 27 , 28 , 29 , 30 .

Оскільки ресурси, доступні для управління, обмежені, використання їх у найбільш вигідний спосіб має вирішальне значення, а оптимізація розміщення обробки була ще одним предметом досліджень моделювання лісового ландшафту 13 , 31 , 32 . У випадку лісової пожежі визначення місць у ландшафті, які мають найвищу ймовірність горіння при високій інтенсивності, може допомогти керівникам ефективно визначити місце обробки лісу. Однак невизначеність у результатах моделі може обмежити їхню корисність для прийняття рішень. Ці невизначеності можуть бути пов’язані зі структурою моделі 33 , відсутністю ключових процесів у моделях 34 , або через помилки в основних даних, таких як кліматичні прогнози чи використання узагальненої параметризації рослинності 35 . З усіма моделями ландшафтної рослинності на симуляцію значною мірою впливає відображення умов рослинності в ландшафті. Невизначеність у початковій характеристиці структури рослинності, ймовірно, поширюватиметься та поповнюватиметься іншими джерелами невизначеності, оскільки залежні процеси моделюються в моделі, такі як конкуренція рослинності, посуха та лісова пожежа. Ці комплексні невизначеності збільшують проблеми, пов’язані з використанням ландшафтних моделей для інформування про прийняття рішень у будь-якому просторовому чи часовому масштабі, і тому дуже важливо, щоб ми (1) розвинули більш точне розуміння того, як невизначеність у вхідних даних моделі впливає на мінливість результатів моделі і (2) визначити механізми обмеження цієї невизначеності за допомогою додаткових даних.

У цьому дослідженні ми оцінили вплив розміру вибірки лісової інвентаризації на мінливість у початковому шарі рослинності для моделі екосистеми для Fireshed Санта-Фе в північній частині Нью-Мексико. Ми використали попередні дослідження Krofcheck et al. 29 , який оцінював оптимізацію розміщення обробки проріджуванням та його вплив на динаміку вуглецю в лісі в Санта-Фе Fireshed і додаткові дані інвентаризації від Лісової служби США для кількісного визначення того, як кількість ділянок інвентаризації впливає на модельні оцінки сильної лісової пожежі. Ми порівняли наші результати з результатами Krofcheck et al. 29 для визначення впливу даних додаткової інвентаризації на розміщення лісообробки.

Методи

Навчальна територія

Ми провели моделювання в осередку пожежі в Санта-Фе, розташованому в горах Сангре-де-Крісто, на схід від Санта-Фе, Нью-Мексико. Пожежний звід становить приблизно 48 000 гектарів (га) і має висоту від 1900 до 3700 м. Помітна рослинність змінюється з висотою і складається з ялівцево-ялівцевих ( Pinus edulis, Juniperus monosperma ) лісів на нижніх висотах, сосни пондерози ( P. ponderosa ) на середніх висотах і змішаних хвойних лісів і ялицево-ялицевих ( Picea spp., Abies spp.) на високих висотах. На нещодавно порушених ділянках у середніх і високих висотах зустрічаються насадження дуба гамбелського ( Quercus gambelii ) та тремтячої осики ( Populus tremuloides ). На нижніх висотах ґрунти Собордоро мають мулисто-глинисту скелетну суміш, яка на більших висотах переходить у ґрунти з переважанням суглинків. Середні кліматичні умови за період 1980–2015 років включали середньорічну температуру 9,4 °C і середньорічну кількість опадів 360 мм, причому більше 50% випадає у вигляді снігу в зимові місяці на високих висотах 36 .

Вихідні дані спільнот

Як і для всіх моделей лісового ландшафту, для початку моделювання потрібна початкова характеристика лісових умов. Тут ми використали модель порушення та сукцесії лісового ландшафту LANDIS-II. Початковий шар угруповань є базовим шаром рослинності, який створює початкові умови для обміну вуглецем, водою, енергією, взаємодії видів, ефектів порушення та інших ландшафтних процесів. Враховуючи важливість умов рослинності для визначення оптимального рішення для проріджування, чітке представлення просторового розподілу фактичних умов лісу є центральним для створення результатів моделювання, які є корисними для прийняття управлінських рішень. Початкове дослідження оптимізації обробки в цьому ландшафті 29 використовувало 68 ділянок інвентаризації та аналізу лісів (FIA) з Національного лісу Санта-Фе, які були інвентаризовані в 2010 році або пізніше і не спалювалися з 2005 року (рис.  1 ). Типами лісу, представленими на ділянках FIA, були ялівець пінон, сосна пондероза, ялиця Дугласія ( Pseudotsuga menziesii ), ялина Енгельмана ( Picea engelmannii ) та сосна лімова ( Pinus flexilis ). Останні три були об’єднані в загальний тип змішаних хвойних лісів. Потім автори використали висоту, трансформований аспект з використанням індексу топографічного випромінювання, TRASP 37 , і трансформацію китиці спектральних даних Landsat 8 (доступні на https://www.usgs.gov/landsat-missions/landsat-8 ) як предикторів для моделей випадкового лісу та використовував бібліотеку rfUtilities 38 для вибору найбільш ощадливої ​​моделі для кожної категорії лісу окремо. Існуюча класифікація рослинності з Southwest Regional Gap Analysis (SWReGap, https://swregap.org/ ) з використанням бібліотеки ‘yaImpute’ 39 була використана для стратифікації виміряних ділянок для імпутації. Ми визначили інтенсивність відбору проб шляхом розрахунку відносної площі землі, яку представляє кожна ділянка в межах свого типу лісу.

Фігура 1
Рисунок 1

Щоб оцінити вплив додаткових даних ділянки на початковий шар спільнот і його вплив на поведінку моделі, ми використали дані, зібрані в рамках процесу планування Службою лісів США. Ці дані були повністю розташовані в межах досліджуваної території та включали 1072 ділянки з 111 деревостанів, інвентаризованих у 2011 році, де кожен деревостан включав від 3 до 31 ділянки (рис.  1 ). Насадження в цьому наборі даних були відібрані для підтримки проекту стійкості ландшафту гір Санта-Фе і були переважно в типах сосни пондерози та змішаних хвойних лісів ( https://www.fs.usda.gov/project/?project=55088 ). Дані про ділянку збирали за допомогою загального протоколу стендового іспиту з використанням ділянок зі змінним радіусом. Конкретна призма коефіцієнта базальної площі (BAF), обрана для кожного насадження, була функцією щільності насадження і коливалась від 10 до 30 BAF. У нас були координати центроїда кожного насадження, але не для кожної окремої ділянки, що впливає на процес імпутації. Для кожної імпутації ми випадково вибрали одну ділянку для представлення насадження. Ми використовували дані про дерева з кожної ділянки, щоб визначити конкретний тип лісу та узагальнену категорію (наприклад, ялівець-ялівець, сосна пондероза, змішана хвойна порода), що відповідає класифікації FIA, і додали тип лісу з осики, в результаті чого в цілому чотири узагальнені типи лісу. Ми також визначили нелісові території та включили дві узагальнені параметри видів для представлення кущів, які відростають, і кущів, які не відростають після пожежі. Ми використали всі дані FIA та загального стендового іспиту (CSE) (n = 1140), щоб створити новий початковий шар спільнот, дотримуючись того самого методу, що й у Krofcheck et al. 29 у R v4.1.2 40 .

Модель і параметризація

Як відправну точку ми використали специфічні для виду параметри, параметри вогню та палива, а також рівень і параметри екорегіону, використані у Krofcheck et al. 29 , і виправлено всі випадкові початкові числа, які використовувалися для керування стохастичними вилученнями з розподілів у послідовності та компонентах лісової пожежі моделі. Нашою кінцевою метою було переконатися, що будь-які відмінності, які ми спостерігали відносно попередньо опублікованої роботи, можна було б віднести до наших експериментальних маніпуляцій. Повна структура моделювання та параметризація описані нижче.

Ми використали модель 41 порушення ландшафту та сукцесії II (LANDIS-II) із фотосинтезом та евапотранспірацією (PnET), розширеннями Dynamic Fuels and Fire та Biomass Harvest для симуляції росту та порушення лісу з роздільною здатністю 100 м. Основна модель імітує ріст лісу та сукцесію для кожної комірки сітки, використовуючи підхід, заснований на демографії, для відстеження вікових когорт біомаси для певних видів. Кожен вид параметризований незалежно за допомогою унікального набору параметрів, які керують їх зростанням, спадкоємністю, розповсюдженням і смертністю в просторово чіткому ландшафті 41 . Ми використали (PnET) розширення спадкоємності 42 , засноване на елементах моделі PNET-II 43 . Розширення послідовності PnET моделює потік вуглецю та води, використовуючи специфічні для виду фізіологічні параметри. Ми використовували параметри, попередньо підтверджені Remy et al. 35 для цієї області, які були отримані з раніше опублікованих даних і бази даних TRY, і перевірені на основі даних вихрової коваріації вежі 35 , 44 , 45 . Ми використали Dynamic Fuels and Fire extension 46 для імітації лісових пожеж. Це розширення було параметризовано для досліджуваної території Krofcheck et al. 29 з використанням регіональних даних про розміри пожеж від Geospatial Multi-Agency Coordination ( https://rmgsc.cr.usgs.gov/outgoing/GeoMAC/historic_fire_data/ ), раніше опублікованих даних про паливо 18 , 47 , 48 , 49 та кліматичних прогнозів від Колекція Multivariate Adaptive Constructed Analogs v2 для розробки розподілу погоди проти пожеж ( https://climate.northwestknowledge.net/MACA/ ). Ми використали розширення Biomass and Harvest 50 для імітації проріджування.

Ми використали схрещування трьох зон висоти ( https://datagateway.nrcs.usda.gov/ ), що приблизно відповідає переходам рослинності, визначених Southwest Regional Gap Analysis ( https://swregap.org/ ), і шести типів ґрунту ( Набір даних State Soil Geographic, https://datagateway.nrcs.usda.gov/ ) для визначення 18 унікальних едафічних і кліматичних зон. Вони використовувалися як екорегіони в основній моделі LANDIS-II і розширенні наступності PnET. Ми використовували ті самі три зони висоти, щоб визначити три різні регіони пожежі, які потрібні моделі для визначення областей схожої пожежної погоди, розподілу розміру пожежі та кількості спроб займання.

Ми використовували щомісячні кліматичні дані, радіацію та концентрацію вуглекислого газу в атмосфері, отримані Krofcheck et al. 29 . Вони були засновані на прогнозах із статистично зменшеної кліматичної прогнози Localized Constructed Analogs із п’яти кліматичних моделей, наведених за репрезентативним шляхом концентрації 8.5 із проекту взаємопорівняння парної моделі, фаза 5. Обраними кліматичними моделями були Модель кліматичної системи громади (CCSM), Національний центр de Recherches Météorologiques (CNRM), Гнучка глобальна модель системи океан–атмосфера–суша (FGOALS), Геофізична лабораторія гідродинаміки (GFDL) і Модель міждисциплінарних досліджень клімату (MIROC5-ESM 2), оскільки їхні прогнози охоплюють діапазон температури та кількість опадів для території дослідження.

Аналіз моделювання

Враховуючи важливість початкового шару громад для визначення того, де ймовірність пожежі високого рівня є найбільшою на ландшафті, ми намагалися оцінити невизначеність у початковому шарі громад через відсутність координат для кожної ділянки CSE, оскільки дані USFS застосовують координати для насадження на всі ділянки, відібрані в насадженні. Ми також намагалися оцінити невизначеність через кількість ділянок, використаних для інтерполяції початкового шару спільнот.

Щоб оцінити невизначеність у початковому шарі спільнот, спричинену відсутністю координат для всіх ділянок CSE, ми повторно провели інтерполяцію, випадковим чином вибравши одну ділянку для кожного набору координат насадження. Ми створили 31 початковий шар спільноти, оскільки це максимальна кількість ділянок в одному насадженні. Ми розпочали моделювання з кожним із цих 31 початкових шарів громад, використовуючи п’ять прогнозів клімату, загалом 155 моделювань. Ми порівняли надземний вуглець після ініціалізації моделі цих початкових шарів спільнот із початковим шаром спільнот, який ми створили з використанням усіх даних графіка та який ми використовували для нашого моделювання управління, надалі званим новим шаром. Ми розрахували різницю в надземному вуглеці між кожним шаром і тим, який ми використовували в наших моделюваннях, щоб визначити, наскільки це джерело невизначеності впливає на початковий шар спільнот.

Збір даних інвентаризації може бути дорогим, а обмежена доступність даних для розробки початкового рівня спільнот є джерелом невизначеності, яка може вплинути на визначення місць із високою ймовірністю пожежі високої тяжкості. Щоб визначити вплив кількості ділянок, використаних у розробці початкового шару спільнот, ми створили п’ять додаткових початкових шарів спільнот з різною кількістю базових даних ділянки. Для чотирьох із п’яти шарів ми вдвічі зменшили кількість графіків CSE, що використовуються в інтерполяції кожного разу (наприклад, 536, 268, 134, 67), і об’єднали їх із даними FIA. Для п’ятого початкового шару спільнот ми використали лише 68 ділянок FIA. Для кожного з ярусів ми випадково вибрали ділянки з кожного типу лісу пропорційно його поширеності на ландшафті. Потім ми ініціалізували модель, використовуючи кожен із цих початкових шарів спільнот, використовуючи п’ять прогнозів клімату, і порівняли надземний вуглець після ініціалізації моделі з початковим шаром громад, який ми використовували для нашого моделювання.

Щоб порівняти наші результати з результатами Krofcheck et al. 29 , ми кількісно визначили відмінності між нашим первинним початковим шаром спільнот і шаром Krofcheck et al. 29 шляхом порівняння різниці в кількості та розподілі надземного вуглецю на початку та в кінці моделювання. Ми провели незалежний t-тест, щоб оцінити різницю вуглецю між двома дослідженнями в кожній клітинці сітки кожні 10 років для кожної з кліматичних моделей, і обчислили відсоток площі зі значною різницею (p < 0,01) у надземному вуглеці. Ми порівняли місце обробки, визначене ймовірністю пожежі високої тяжкості між нашим початковим шаром громад і рівнем Крофчека та ін. 29 . Ми розрахували чистий вуглецевий баланс екосистеми (NECB) шляхом віднімання вуглецю, втраченого системою (обробка та лісові пожежі), із отриманого вуглецю (фотосинтез), а потім порівняли значення NECB сценарію обробки до сценарію відсутності керування як для нашого моделювання, так і для Крофчека та ін. al. 29 . Обробку та аналіз даних проводили за допомогою R v4.1.2 40 .

Сценарії лікування

Щоб розробити оптимізований сценарій розміщення обробки, ми спочатку запустили моделювання, яке не включало керування, щоб визначити місця, де ландшафтні умови були такими, що існувала висока ймовірність сильної лісової пожежі. Ми запустили моделювання без керування, використовуючи ті самі п’ять прогнозованих наборів кліматичних даних і погодних даних про пожежі, описаних вище. Ми провели 25 повторних симуляцій, використовуючи кожен із п’яти прогнозованих наборів кліматичних даних, загалом протягом 6250 років моделювання. Ми використали растрові дані про серйозність пожежі з цих вихідних даних моделі, щоб кількісно визначити ймовірність високої серйозності, яка залежить від виникнення пожежі, поділивши кількість років із пожежами високої серйозності на загальну кількість років, протягом яких сталася пожежа, для кожної комірки сітки. Dynamic Fire and Fuels Extension класифікує серйозність пожежі за допомогою п’яти класів, причому четвертий і п’ятий класи вказують на те, що більша частина поверху знищена. Значення інтенсивності пожежі чотири та п’ять ми розглядали як високу. Потім ми визначили комірки сітки з ймовірністю пожежі високого ступеня тяжкості більше 0,3 і націлилися на ці місця в симуляції сценарію лікування, призначаючи лікування цим областям спочатку.

Для визначення типу обробки ми використовували ймовірність пожежі високої інтенсивності в поєднанні зі схилом і типом лісу. Обробки проріджування та спалювання були обмежені сосною пондерозою та сухим змішаним хвойним лісом, де суміщений надземний вуглець сосни пондерози та дугласової ялиці становив щонайменше 65% від загального обсягу, а обробки були змодельовані лише на клітинках сітки, які мали високу ймовірність ступінь тяжкості пожежі більше 0,3. Проріджування застосовувалося лише до місць, які мали схили < 30%, щоб врахувати загальне обмеження механічного проріджування. Ми змоделювали встановлене спалювання на основі історичних середніх інтервалів повторення вогню, причому всю сосну пондерозу спалювали з використанням 10-річного інтервалу повторності, а ліси, в яких спільно домінували сосна пондероза та ялиця Дугласова, спалювали з використанням 15-річного інтервалу повторності. Ми використовували те саме розрідження та призначені процедури спалювання, як Krofcheck та ін. 29 , які були розроблені для наближення загальних методів лікування для регіону. Процедури проріджування імітували проріджування знизу шляхом видалення приблизно 30% біомаси, переважно видаляючи наймолодші когорти 48 , 51 .

Щоб дослідити вплив обробки на ландшафт, ми створили новий растр ймовірності пожежі високої серйозності та розрахували різницю в надземному вуглеці між сценаріями керування та сценаріями без керування цього дослідження наприкінці моделювання.

Щоб створити результат моделювання для порівняння з результатами Krofcheck et al. 29 , ми використали початковий рівень спільнот, який був інтерпольований за допомогою даних FIA та даних CSE з усіх 111 стендів. Ми провели моделювання протягом 50-річного періоду, використовуючи прогнози моделі клімату на 2000–2050 роки. Ми провели 25 повторів для кожного з п’яти кліматичних прогнозів, загалом по 125 симуляцій для сценаріїв без керування та сценаріїв керування. Розповсюдження пожежної погоди відстежували прогнозований клімат і оновлювалися кожне десятиліття з урахуванням змін температури та опадів.

Результати

Початкові спільноти

Наше порівняння 31 початкового шару спільнот, отриманих шляхом випадкового вибору ділянок із лісових насаджень, відібраних USFS, показало, що конкретні ділянки, вибрані для представлення кожного насадження, мали відносно невеликий вплив на надземний вуглець. Загальний надземний вуглець для всього вибуху в тераграмах (Tg) на 1 рік моделювання був подібним, якщо порівнювати моделювання в кожній із п’яти кліматичних моделей, а медіана для всіх 155 моделювань і для п’яти кліматичних моделей становила 3,601 Tg вуглецю з інтерквартильним діапазоном (IQR) 0,146 Tg. (Рис. S1a ). Ми розрахували різницю між надземним вуглецем за 1 рік у початковому шарі спільнот, який ми використовували для нашого моделювання управління (надалі новий шар), і середнім значенням надземного вуглецю за 1 рік, отриманим із повторного моделювання 31 початкового шару спільнот, і виявили, що лише 560 га із загальної площі 48 957 га в межах досліджуваної території мала різницю понад 20 мегаграмів на гектар (Мг га -1 ) вуглецю, медіана різниці становила -0,068, а IQR становив 0,859 Мг га -1 вуглецю (рис. S1b ). Як правило, комірки сітки, які мали вищі значення вуглецю, ніж у новому шарі, були типом осикового лісу, а комірки сітки, які мали нижчі значення вуглецю, ніж новий шар, переважали ліси сосни листяної або сосни пондерози з великим компонентом сосни листяної.

Надземний розподіл вуглецю для сосни пондерози та змішаних хвойних лісів був досить подібним, незалежно від кількості ділянок, використаних для розвитку початкових спільнот (рис.  2 а). Оцінки вуглецю в осиці суттєво відрізнялися від нового шару, причому середні значення зменшилися на 12,22 Мг га -1 або більше (рис.  2 а). Для ялівцю піньона медіанні значення були досить постійними, незалежно від кількості ділянок, використаних для розробки початкового шару спільнот, але мінливість значно зменшувалася, коли використовувалося менше половини доступних ділянок (рис. 2  а ), що демонструє важливість адекватного відбір проб для фіксації мінливості умов рослинності (рис. S2 ). Розподіл щільності надземного вуглецю був подібним для нового шару, розробленого з використанням усіх 1072 ділянок, і шару, розробленого з використанням половини ділянок. Однак шари, які використовували менше половини ділянок, мали знижену мінливість і недооцінювали нижчі клітини вуглецевої сітки приблизно 30 Mg C га -1 і нижче (рис.  2 b). Зменшення мінливості вуглецю зі зменшенням кількості ділянок, які використовуються для інформування початкового шару спільнот, при просторовому картографуванні показує, що найбільші розбіжності між новим шаром та іншими виникають у типах рослинності, які відбираються менш інтенсивно, ніж більш звичайна сосна пондероза і типи змішаних хвойних лісів (наприклад, осиковий і ялівцевий) (рис.  2 c).

малюнок 2
Рисунок 2

Порівняння пожежної небезпеки високої тяжкості

Коли ми порівнювали результати моделі нашого початкового шару спільнот, розробленого з використанням 68 графіків FIA на додаток до 1072 графіків CSE (новий шар), з результатами від Krofcheck et al. 29 початковий шар спільнот, розроблений з використанням лише графіків FIA (надалі «старий шар»), ми виявили, що новий шар призвів до більш високого загального надземного вуглецю та більшої мінливості вуглецю після ініціалізації моделі (рис.  3 a, b), зі статистично значущими відмінностями, що відбуваються при масштаб комірки сітки (рис.  3 в). Хоча ці відмінності зберігалися протягом 50-річного періоду моделювання, різниця в надземному вмісті вуглецю між новим і старим шаром зменшилася до кінця періоду моделювання (рис.  3 c).

малюнок 3
Рисунок 3

Різниця в надземній щільності вуглецю між новим і старим шарами призвела до відмінностей у просторовому розподілі ймовірності пожежі високої тяжкості (рис.  4 а). Враховуючи ці відмінності, розподіл розрідження та встановлених обробок вогнем змінювався між старими та новими шарами (рис.  4 b). Щільність вуглецю та подальша ймовірність сильної пожежі з нового шару призвели до того, що зони, визначені для розрідження та горіння разом, або горіння окремо, зміщуються на схід і вгору. Нова карта обробки також мала приблизно на 2000 га менше визначених як потребують проріджування порівняно зі старою картою обробки (рис.  4 b праворуч).

малюнок 4
Рисунок 4

Ми порівняли результати моделювання сценаріїв керування та сценаріїв без керування, використовуючи новий початковий рівень спільнот, і виявили, що сценарій керування, як і очікувалося, зменшив ймовірність пожежі високого ступеня тяжкості там, де було застосовано лікування (рис. 5 a  ) . Зменшення рівня жорсткості в сценарії управління призвело до збільшення зберігання вуглецю в ландшафті протягом 50-річного моделювання порівняно зі сценарієм без управління (рис.  5 b). Збільшення вуглецю спостерігалося в першу чергу в районах, які були оброблені, оскільки обробки зменшили серйозність пожежі, тоді як у районах, які не були оброблені, була невелика різниця між сценаріями управління та сценаріями без керування.

малюнок 5
Рисунок 5

Враховуючи відмінності між новим і старим шарами з точки зору ймовірності пожежі високої серйозності та місця подальшої обробки, ми порівняли вплив сценарію управління на кумулятивний чистий вуглецевий баланс екосистеми (NECB) відносно сценарію відсутності управління. Ми виявили схожі тенденції як для нових, так і для старих початкових шарів спільнот. Більша щільність вуглецю в симуляціях з використанням нового шару призвела до більшого зменшення від розрідження та випалювання на початку періоду моделювання порівняно з моделюванням з використанням старого шару (рис.  6 ). Перехід до позитивного кумулятивного сценарію NECB відносно сценарію відсутності управління відбувся швидше при моделюванні з використанням нового шару (~ 18 років), ніж при моделюванні з використанням старого шару (~ 24 роки). Ця різниця пов’язана з тим, що щільність вуглецю ландшафту вища для моделювання з новим шаром.

малюнок 6
Рисунок 6

Обговорення

Підвищений ризик лісової пожежі високої тяжкості через історію пожежонебезпечної ситуації та триваючу зміну клімату створює проблеми для екосистем і громад, а масштаб проблеми вимагає підходу, що ґрунтується на оцінці ризику, до розподілу ресурсів для управління лісами 52 . Ефективне використання управлінських ресурсів вимагає як точного представлення лісових умов у просторі, так і обліку того, як управлінська діяльність, порушення та клімат взаємодітимуть з часом, щоб змінити просторовий розподіл ризику. Наші результати показують, що збільшення кількості інвентаризаційних ділянок, які використовуються для розробки початкового шару спільнот, є важливим для фіксації мінливості лісових умов і може суттєво змінити оптимальний розподіл управлінської діяльності для досягнення мети, у цьому випадку зменшуючи ризик високої тяжкості лісова пожежа.

Ми очікуємо, що через достатньо часу розподіл змодельованої біомаси буде подібним незалежно від початкових умов лісу, оскільки клімат визначає здатність кожної комірки сітки підтримувати певну кількість рослинності. Коли ми порівнювали надземний вуглець у цьому дослідженні та попередньому, ми виявили, що хоча кількість комірок сітки зі значно різним надземним вуглецем між двома дослідженнями зменшилася з часом (рис.  3 c), вона не збігалася в межах 50-річного моделювання періоду (рис.  3 б). Це підкреслює важливість відбору достатньої кількості проб для характеристики неоднорідності ландшафту.

Існує багата література про вплив розміру вибірки даних інвентаризації на точність інтерполяції, яка вказує на те, що більше даних інвентаризації забезпечує підвищення точності 53 , 54 . На основі наявного у нас набору даних ми виявили підвищену мінливість для початкових шарів спільнот, які використовували половину або більше з 1072 графіків CSE. Коли ми запустили модель із початковими спільнотами, побудованими з половини або всіх ділянок CSE, результатом був ширший діапазон щільності біомаси з точки зору надземного вуглецю, ніж для будь-яких початкових спільнот, створених з використанням меншої кількості ділянок (рис. 2 b  ) . . Цей результат свідчить про те, що більший розмір вибірки інвентарної ділянки краще фіксує мінливість у системі, але визначення того, наскільки добре фіксується ця мінливість, потребуватиме процесу перевірки з використанням даних інвентаризації, не включених до інтерполяції.

Ми виявили, що надземний розподіл вуглецю для змішаних хвойних і соснових лісів залишався відносно постійним, незалежно від кількості ділянок, використаних для інтерполяції початкових умов лісу, але надземний вуглець для ялівцевих і осикових лісів відрізнявся і був залежним на кількість ділянок. Це може свідчити про те, що різноманіття змішаних хвойних дерев і насаджень сосни великої по всій досліджуваній території добре характеризується на ділянках CSE або просто є дещо більш однорідним, тоді як насадження ялівцю-піньону та осики були більш неоднорідними (рис.  2 a). Визначення того, чи змішані хвойні ліси та ліси сосни великої сосни насправді добре представлені цією конкретною популяцією інвентаризаційних ділянок, вимагатиме відбору проб у всьому діапазоні цих типів лісу в межах досліджуваної території. Варіабельність надземного вуглецю осики та ялівцю-пеньйону на ландшафті між різними вихідними угрупованнями пов’язана з нашим підходом до вибору популяції інвентаризаційних ділянок для кожної інтерполяції. Зменшуючи кількість ділянок, з яких ми інтерполювали початкові умови лісу, ми вибрали кількість ділянок для кожного типу лісу, пропорційну видатності цього типу лісу на ландшафті. Оскільки осика становить невелику частину загального лісового покриву ландшафту, ми використовували кілька ділянок осики для інтерполяції, яка використовувала менше половини ділянок інвентаризації. Це найбільш скупе пояснення поширення та мінливості надземного вуглецю на осикових ділянках.

Імітаційні моделі давно використовуються в лісогосподарському плануванні. Однак велика частина роботи була зосереджена на стендових вагах, оскільки це типова одиниця управління. Управління ландшафтами для таких процесів порушення, як пожежа, вимагає, щоб ми планували в масштабі порушення. Імітаційні моделі лісового ландшафту, такі як LSim і LANDIS-II, можуть моделювати процеси збурення у відповідному масштабі та корисні для розуміння того, як прийняття рішень впливає на результати в масштабі ландшафту 55 , 56 але результативні результати моделі в масштабі субландшафту потребують вдосконалення представлення початкових умов. Довгострокова мета досліджень, подібних до цього та інших, полягає в розробці корисного інструменту, який би дозволив визначити потенційні зони високого ризику, які потім будуть призначені для обробки лісовими менеджерами. Щоб досягти цього, необхідно зменшити потенційні джерела помилок, щоб результати моделювання стали оперативними керівництвами для прийняття рішень.

У той час як наш початковий рівень спільнот, використовуючи більше даних інвентаризації, охопив ширший діапазон щільності та мінливості біомаси, ми змогли скористатися лише підмножиною ділянок інвентаризації. Незважаючи на те, що ми мали додаткові 1072 ділянки CSE, вони представляли 111 насаджень, а координати, пов’язані з кожною ділянкою, були центроїдом насадження. Відсутність географічних координат окремих ділянок означало, що ми змогли використати лише 111 ділянок (по одному для кожного насадження) в інтерполяції. Коли ми досліджували випадково вибрані ділянки з кожного насадження, ми виявили незначні зміни надземного вуглецю. Це було очікувано, оскільки деревостани окреслені для представлення суміжних лісових угруповань подібної структури. Крім того, всі нові ділянки CSE були зосереджені в північній частині пожежі, і в основному відбиралися зразки сосни пондерози та змішаного хвойного лісу, оскільки ці дані були зібрані для підтримки екологічного аналізу та планування території проекту. Хоча такий вид вибірки може бути корисним, попередні дослідження вказували на важливість вибірки всього діапазону видів, які зустрічаються, для кращого фіксування мінливості під час інтерполяції в області інтересу 57 , 58 , 59 . Наші результати демонструють необхідність забезпечити адекватний вибір зразків різних типів рослинності. Ми виявили, що біомаса в північно-східній частині досліджуваної території змінювалася залежно від кількості ділянок, використаних для побудови початкового шару спільнот. Ця частина досліджуваної території є ялівцево-ялівцевим лісом і була недостатньо представлена ​​на інвентаризаційних ділянках, тому інтерполяція меншої вибірки ділянок збільшила ймовірність того, що цей тип рослинності був погано представлений. Крім того, надземна біомаса в південній частині досліджуваної території зазнала незначних змін незалежно від кількості інвентаризаційних ділянок, використаних для початкового шару спільнот (рис.  2 c). Ми підозрюємо, що ця обмежена зміна біомаси є результатом того, що ділянки CSE зосереджені в північній частині досліджуваної території, і, насправді, ймовірно, існує більша мінливість у південній частині досліджуваної території. Повна кількісна оцінка невизначеності на початковому шарі громад вимагатиме збору даних інвентаризації по всій досліджуваній території та кількісного визначення внеску в невизначеність як кількості, так і розташування ділянок інвентаризації.

Практична важливість точного початкового шару спільнот також була відображена в різних картах обробки, які були отримані на основі нашого початкового шару спільнот і шару від Krofcheck et al. 29 . Наше використання додаткових даних для інтерполяції нашого початкового шару спільнот охопило ширший діапазон умов біомаси. Збільшення мінливості біомаси було важливим, оскільки це змінило потоки вуглецю та води, доступність світла та умови вирощування. Ці зміни в рослинності змінили доступне паливо, що вплинуло на інтенсивність розташування пожежі. Це призвело до значних змін у географічному розташуванні територій з високою ймовірністю пожежі високої тяжкості порівняно з аналізом Krofcheck et al. 29 . Крім того, загальна площа, яка відповідала критеріям проріджування, була нижчою в цьому дослідженні, що важливо з точки зору витрат і розподілу ресурсів, необхідних для пом’якшення високого ризику пожежі.

Наше використання більшої кількості ділянок інвентаризації з ширшим діапазоном щільності вуглецю, ніж лише ділянки FIA, для розробки початкового шару громад також вплинуло на динаміку вуглецю в досліджуваній області протягом 50-річного моделювання (рис.  6 ). Вища загальна біомаса в ландшафті в цьому дослідженні порівняно з Krofcheck et al. 29 було очевидним у перші 5 років моделювання, коли більше біомаси видалялося шляхом прорідження з кожної комірки сітки, що призводило до більших початкових втрат вуглецю з системи. Однак наш ландшафт перейшов до позитивного чистого вуглецевого балансу екосистеми (NECB) швидше, ніж у попередньому дослідженні, тому що включення додаткових даних інвентаризації та подальша інтерполяція призвели до меншої кількості клітинок сітки, які вимагали прорідження. Попередні дослідження продемонстрували важливість розміру та інтенсивності обробки та ймовірність лісової пожежі на NECB 18 , 48 , 60 . Наші результати демонструють чутливість результату до основних даних, які використовуються для розробки початкового рівня спільнот.

Відмінності між нашими результатами, що оцінюють вплив різної кількості ділянок інвентаризації на мінливість у початковому шарі спільнот, і відмінностями між нашими результатами та результатами Krofcheck et al. 29 демонструють потребу в даних інвентаризації, які фіксують діапазон мінливості в межах ландшафту. Однак перш ніж наші результати моделювання можна буде використовувати в процесі планування управління для визначення місць, які потребують обробки, нам знадобляться додаткові дані інвентаризації з територій по всій території дослідження, щоб кількісно визначити невизначеність у початковому шарі громад як функцію розподілу даних інвентаризації та інтенсивності вибірки. Можливість оцінити невизначеність, пов’язану з даними інвентаризації, допоможе визначити інтенсивність вибірки, необхідну для використання результатів моделі для підтримки планування лікування. Якби дані CSE мали специфічні для ділянки географічні координати, ми могли б мати невизначеність оцінки через інтенсивність вибірки для північної частини ландшафту. Майбутня інвентаризаційна вибірка повинна включати як мінімум географічні координати для кожної ділянки, щоб допомогти підтримати майбутні аналізи.

Висновки

Прогнозується, що частота та інтенсивність лісових пожеж зростатиме, коли клімат стане спекотнішим і сухішим, але пом’якшити ці події можна шляхом відновлення екологічно відповідного вогню. Враховуючи розмір території на південному заході США, яка пропустила кілька інтервалів повторного вогню, існує більше територій, які потребують управління, ніж ресурсів для підтримки управління. Моделі лісового ландшафту можуть допомогти визначити місця ландшафту з найвищою ймовірністю сильної лісової пожежі, але їх корисність для планування управління залежить від того, наскільки добре модель відображає фактичні умови. Операціоналізація моделей лісового ландшафту, які на сьогоднішній день здебільшого були дослідницькими інструментами, вимагатиме спільної роботи лісових менеджерів і дослідників, щоб інформувати про вибірку лісової інвентаризації та визначити кількість невизначеності в результатах моделі, яка є прийнятною при використанні вихідних даних моделі для інформування про прийняття рішень .

Доступність даних

Дані доступні для перегляду за адресою: https://doi.org/10.5061/dryad.t4b8gtj62

Завантажити PDF

Список літератури

  1. Allen, C. D. et al. Ecological restoration of southwestern ponderosa pine ecosystems: A broad perspective. Ecol. Appl. 12, 16 (2002).Article Google Scholar 
  2. Fule, P. Z., Covington, W. W. & Moore, M. M. Determining reference conditions for ecosystem management of southwestern Ponderosa pine forests. Ecol. Appl. 7, 14 (1997).Article Google Scholar 
  3. Knapp, E. E., Skinner, C. N., North, M. P. & Estes, B. L. Long-term overstory and understory change following logging and fire exclusion in a Sierra Nevada mixed-conifer forest. For. Ecol. Manag. 310, 903–914 (2013).Article Google Scholar 
  4. Moore, M. M., Huffman, D. W., Fule, P. Z., Covington, W. W. & Crouse, J. E. Comparison of historical and contemporary forest structure and composition on permanent plots in southwestern Ponderosa pine forests. For. Sci. 50(2), 162–176 (2004).Google Scholar 
  5. Taylor, A. H. et al. Changes in forest structure, fuels and potential fire behaviour since 1873 in the Lake Tahoe Basin, USA. Appl. Veg. Sci. 17, 17–31 (2014).Article Google Scholar 
  6. Allen, C. D. et al. A global overview of drought and heat-induced tree mortality reveals emerging climate change risks for forests. For. Ecol. Manag. 259, 660–684 (2010).Article Google Scholar 
  7. Williams, P. A. et al. Temperature as a potent driver of regional forest drought stress and tree mortality. Nat. Clim. Change 3, 292–297 (2013).Article ADS Google Scholar 
  8. Goodwin, M. J., Zald, H. S. J., North, M. P. & Hurteau, M. D. Climate-driven tree mortality and fuel aridity increase wildfire’s potential heat flux. Geophys. Res. Lett. 48, 24 (2021).Article Google Scholar 
  9. Stephens, S. L. et al. Drought, tree mortality, and wildfire in forests adapted to frequent fire. BioScience 68, 77–88 (2018).Article Google Scholar 
  10. Singleton, M. P., Thode, A. E., Sánchez-Meador, A. J. & Iniguez, J. M. Increasing trends in high-severity fire in the southwestern USA from 1984 to 2015. For. Ecol. Manag. 433, 709–719 (2019).Article Google Scholar 
  11. Westerling, A. L. Increasing western US forest wildfire activity: Sensitivity to changes in the timing of spring. Philos. Trans. R. Soc. B Biol. Sci. 371, 20150178 (2016).Article Google Scholar 
  12. Stephens, S. L. & Ruth, L. W. Federal forest-fire policy in the United States. Ecol. Appl. 15, 532–542 (2005).Article Google Scholar 
  13. Krofcheck, D. J., Hurteau, M. D., Scheller, R. M. & Loudermilk, E. L. Prioritizing forest fuels treatments based on the probability of high-severity fire restores adaptive capacity in Sierran forests. Glob. Change Biol. 24, 729–737 (2018).Article ADS Google Scholar 
  14. North, M., Collins, B. M. & Stephens, S. Using fire to increase the scale, benefits, and future maintenance of fuels treatments. J. For. 110, 392–401 (2012).Google Scholar 
  15. Agee, J. K. & Skinner, C. N. Basic principles of forest fuel reduction treatments. For. Ecol. Manag. 211, 83–96 (2005).Article Google Scholar 
  16. North, M. P. et al. Pyrosilviculture needed for landscape resilience of dry western United States Forests. J. For. 119, 520–544 (2021).Google Scholar 
  17. Safford, H. D., Stevens, J. T., Merriam, K., Meyer, M. D. & Latimer, A. M. Fuel treatment effectiveness in California yellow pine and mixed conifer forests. For. Ecol. Manag. 274, 17–28 (2012).Article Google Scholar 
  18. Krofcheck, D. J., Hurteau, M. D., Scheller, R. M. & Loudermilk, E. L. Restoring surface fire stabilizes forest carbon under extreme fire weather in the Sierra Nevada. Ecosphere 8, e01663 (2017).Article Google Scholar 
  19. McIver, J. D. et al. Ecological effects of alternative fuel-reduction treatments: Highlights of the National Fire and Fire Surrogate study (FFS). Int. J. Wildland Fire 22, 63–82 (2012).Article Google Scholar 
  20. Shive, K. L., Sieg, C. H. & Fulé, P. Z. Pre-wildfire management treatments interact with fire severity to have lasting effects on post-wildfire vegetation response. For. Ecol. Manag. 297, 75–83 (2013).Article Google Scholar 
  21. York, R. A., Noble, H., Quinn-Davidson, L. N. & Battles, J. J. Pyrosilviculture: Combining prescribed fire with gap-based silviculture in mixed-conifer forests of the Sierra Nevada. Can. J. For. Res. 51, 781–791 (2021).Article CAS Google Scholar 
  22. Collins, B. M. et al. Interactions among wildland fires in a long-established sierra nevada natural fire area. Ecosystems 12, 114–128 (2009).Article Google Scholar 
  23. Hurteau, M. D., Hungate, B. A., Koch, G. W., North, M. P. & Smith, G. R. Aligning ecology and markets in the forest carbon cycle. Front. Ecol. Environ. 11, 37–42 (2013).Article Google Scholar 
  24. Jones, G. M. et al. Forest restoration limits megafires and supports species conservation under climate change. Front. Ecol. Environ. 20, 210–216 (2022).Article Google Scholar 
  25. Latif, Q. S., Cannon, J. B., Chabot, E. J. & Sparks, R. A. Simulated treatment effects on bird communities inform landscape-scale dry conifer forest management. Ecol. Appl. 32, e2555 (2022).Article PubMed PubMed Central Google Scholar 
  26. Smith, H. G., Sheridan, G. J., Lane, P. N. J., Nyman, P. & Haydon, S. Wildfire effects on water quality in forest catchments: A review with implications for water supply. J. Hydrol. 396, 170–192 (2011).Article ADS CAS Google Scholar 
  27. Ager, A. A., Vaillant, N. M. & Finney, M. A. A comparison of landscape fuel treatment strategies to mitigate wildland fire risk in the urban interface and preserve old forest structure. For. Ecol. Manag. 259, 1556–1570 (2010).Article Google Scholar 
  28. Finney, M. A. et al. Simulation of long-term landscape-level fuel treatment effects on large wildfires. Int. J. Wildland Fire 16, 712 (2007).Article Google Scholar 
  29. Krofcheck, D. J., Remy, C. C., Keyser, A. R. & Hurteau, M. D. Optimizing forest management stabilizes carbon under projected climate and wildfires. J. Geophys. Res. Biogeosci. 124, 3075–3087 (2019).Article Google Scholar 
  30. Ager, A. A., Barros, A. M. G. & Day, M. A. Contrasting effects of future wildfire and forest management scenarios on a fire excluded western US landscape. Landsc. Ecol. 37, 1091–1112 (2022).Article Google Scholar 
  31. Ager, A. A., Vaillant, N. M. & McMahan, A. Restoration of fire in managed forests: A model to prioritize landscapes and analyze tradeoffs. Ecosphere 4, art29 (2013).
  32. Wei, Y., Rideout, D. & Kirsch, A. An optimization model for locating fuel treatments across a landscape to reduce expected fire losses. Can. J. For. Res. 38, 868–877 (2008).Article Google Scholar 
  33. Petter, G. et al. How robust are future projections of forest landscape dynamics? Insights from a systematic comparison of four forest landscape models. Environ. Model. Softw. 134, 104844 (2020).Article Google Scholar 
  34. Stephens, S. L. et al. Mass fire behavior created by extensive tree mortality and high tree density not predicted by operational fire behavior models in the southern Sierra Nevada. For. Ecol. Manag. 518, 120258 (2022).Article Google Scholar 
  35. Remy, C. C. et al. Integrating species-specific information in models improves regional projections under climate change. Geophys. Res. Lett. 46, 6554–6562 (2019).Article ADS Google Scholar 
  36. Thornton, P. E. et al. Daymet: Daily surface weather data on a 1-km grid for north america, version 2. https://doi.org/10.3334/ORNLDAAC/1219 (2014).
  37. Roberts, D. W. & Cooper, S. V. Concepts and techniques of vegetation mapping. Land Classif Based Veg. Appl. Resour. Manag. 1989, 90–96 (1989).Google Scholar 
  38. Evans, J. S. & Murphy, M. A. rfUtilities. R package version 2.1-3, https://cran.r-project.org/package=rfUtilities (2018).
  39. Crookston, N. L. & Finley, A. O. yaImpute: An R package for kNN imputation. J. Stat. Softw. 23, 1–16 (2008).Article Google Scholar 
  40. R Core Team. R: A Language and Environment for Statistical Computing (R Foundation for Statistical Computing, 2021).
  41. Scheller, R. M. et al. Design, development, and application of LANDIS-II, a spatial landscape simulation model with flexible temporal and spatial resolution. Ecol. Model. 201, 409–419 (2007).Article Google Scholar 
  42. de Bruijn, A. et al. Toward more robust projections of forest landscape dynamics under novel environmental conditions: Embedding PnET within LANDIS-II. Ecol. Model. 287, 44–57 (2014).Article Google Scholar 
  43. Aber, J. et al. Predicting the effects of climate change on water yield and forest production in the northeastern United States. Clim. Res. 05, 207–222 (1995).Article ADS Google Scholar 
  44. Gustafson, E. J. et al. Integrating ecophysiology and forest landscape models to improve projections of drought effects under climate change. Glob. Change Biol. 21, 843–856 (2015).Article ADS Google Scholar 
  45. Kattge, J. et al. TRY—a global database of plant traits. Glob. Change Biol. 17, 2905–2935 (2011).Article ADS Google Scholar 
  46. Sturtevant, B. R., Scheller, R. M., Miranda, B. R., Shinneman, D. & Syphard, A. Simulating dynamic and mixed-severity fire regimes: A process-based fire extension for LANDIS-II. Ecol. Model. 220, 3380–3393 (2009).Article Google Scholar 
  47. Forestry Canada Fire Danger Group. Development and structure of the Canadian Forest Fire Behaviour Prediction System. In For. Can. Fire Danger Group Inf. Rep. ST-X-3 (1992).
  48. Hurteau, M. D. et al. Restoring forest structure and process stabilizes forest carbon in wildfire-prone southwestern ponderosa pine forests. Ecol. Appl. 26, 382–391 (2016).Article PubMed Google Scholar 
  49. Syphard, A. D. et al. Simulating landscape-scale effects of fuels treatments in the Sierra Nevada, California, USA. Int. J. Wildland Fire 20, 364–383 (2011).Article Google Scholar 
  50. Gustafson, E. J., Shifley, S. R., Mladenoff, D. J., Nimerfro, K. K. & He, H. S. Spatial simulation of forest succession and timber harvesting using LANDIS. Can. J. Forest Res. 30, 12 (2000).Article Google Scholar 
  51. Hurteau, M. D., Stoddard, M. T. & Fulé, P. Z. The carbon costs of mitigating high-severity wildfire in southwestern ponderosa pine. Glob. Change Biol. 17, 1516–1521 (2011).Article ADS Google Scholar 
  52. Miller, C. & Ager, A. A. A review of recent advances in risk analysis for wildfire management. Int. J. Wildland Fire 22, 1 (2013).Article Google Scholar 
  53. Fassnacht, F. E. et al. Importance of sample size, data type and prediction method for remote sensing-based estimations of aboveground forest biomass. Remote Sens. Environ. 154, 102–114 (2014).Article ADS Google Scholar 
  54. Nowak, D., Walton, J., Stevens, J., Crane, D. & Hoehn, R. Effect of plot and sample size on timing and precision of urban forest assessments. Arboric. Urban For. 34, 386–390 (2008).Article Google Scholar 
  55. Young, J. D., Ager, A. A. & Thode, A. E. Using wildfire as a management strategy to restore resiliency to ponderosa pine forests in the southwestern United States. Ecosphere 13, e4040 (2022).Article Google Scholar 
  56. Liang, S., Hurteau, M. D. & Westerling, A. L. Large-scale restoration increases carbon stability under projected climate and wildfire regimes. Front. Ecol. Environ. 16, 207–212 (2018).Article Google Scholar 
  57. Asner, G. P. et al. A universal airborne LiDAR approach for tropical forest carbon mapping. Oecologia 168, 1147–1160 (2012).Article ADS PubMed Google Scholar 
  58. Zald, H. S. J. et al. Influence of lidar, Landsat imagery, disturbance history, plot location accuracy, and plot size on accuracy of imputation maps of forest composition and structure. Remote Sens. Environ. 143, 26–38 (2014).Article ADS Google Scholar 
  59. Zolkos, S. G., Goetz, S. J. & Dubayah, R. A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sens. Environ. 128, 289–298 (2013).Article ADS Google Scholar 
  60. Loudermilk, E. L., Scheller, R. M., Weisberg, P. J. & Kretchun, A. Bending the carbon curve: Fire management for carbon resilience under climate change. Landsc. Ecol. 32, 1461–1472 (2017).Article Google Scholar 

Download references

https://www.nature.com/articles/s41598-024-53359-8

Loading