Spatial bottom‐up controls on fire likelihood vary across western North America
Notice bibliographique
Résumé
The unique nature of landscapes has challenged our ability to make generalizations about the effects of bottom‐up controls on fire regimes. For four geographically distinct fire‐prone landscapes in western North America, we used a consistent simulation approach to quantify the influence of three key bottom‐up factors, ignitions, fuels, and topography, on spatial patterns of fire likelihood. We first developed working hypotheses predicting the influence of each factor based on its spatial structure (i.e., autocorrelation) in each of the four study areas. We then used a simulation model parameterized with extensive fire environment data to create high‐resolution maps of fire likelihood, or burn probability (BP). To infer the influence of each bottom‐up factor within and among study areas, these BP maps were compared to parallel sets of maps in which one of the three bottom‐up factors was randomized. Results showed that ignition pattern had a relatively minor influence on the BP across all four study areas, whereas the influence of fuels was large. The influence of topography was the most equivocal among study areas; it had an insignificant influence in one study area and was the dominant control in another. We also found that the relationship between the influence of these factors and their spatial structure appeared nonlinear, which may have important implications for management activities aimed at attenuating the effect of fuels or ignitions on wildfire risk. This comparative study using landscapes with different biophysical and fire regime characteristics demonstrates the importance of employing consistent methodology to pinpoint the influence of bottom‐up controls.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».