Notice bibliographique
Résumé
Fire suppression is (functionally) effective insofar as it reduces area burned. In North American boreal forests, fire regimes and historical records are such that this effect cannot be detected or estimated directly. I present an indirect approach, proceeding from the practice of initial attack (IA), which is intended to limit the proportion of "large" fires. I analysed IA's (operational) effectiveness by a controlled retrospective study of fire-history data for an approximately 86 000 km 2 region of boreal forest in northeastern Alberta, Canada, from 1968 to 1998 (31 years). Over this interval, various improvements to IA practice, including a 1983 change in management strategy, created a natural experiment. I tested the results with multiple logistic regression models of the annual probabilities of a fire becoming larger than 3 and 200 ha. Annual fire counts (N t ) were a surrogate for fire weather and peak daily counts within years (arrival load). Measured by odds ratios, mean IA effectiveness against 3- and 200-ha fires increased in 1983 by factors of 2.02 (95% CI = 1.702.40) and 2.41 (95% CI = 1.693.45), respectively. Prior to 1983, the functional response to N t was consistent with saturation of IA capacity at high arrival loads. From 19831998, effectiveness was independent of N t . I introduce the proportional reduction in area burned (impact) as a measure of functional effectiveness and state conditions under which it can be estimated from the regression models. Over 19831998, if suppressed and actual fires were comparable, relative IA impact ([Formula: see text]) was 0.58 (95% CI = 0.340.74) and area burned was reduced by 457 500 ha. If fires larger than 1 × 10 5 , 1 × 10 4 , or 1 × 10 3 ha are assumed to be unpreventable, [Formula: see text] declines to 0.46, 025, or 0.08, respectively, but there is no evidence this is the case.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».