Exploiting Poisson additivity to predict fire frequency from maps of fire weather and land cover in boreal forests of Québec, Canada
Notice bibliographique
Résumé
Predictive models of fire frequency conditional on weather and land cover are essential to assess how future cover‐type distributions and weather conditions may influence fire regimes. We modelled the effects of bottom‐up variables (e.g. land cover) and top‐down variables (e.g. fire weather) simultaneously with data aggregated or interpolated to spatial and temporal units of 100 km 2 and 1 yr in the boreal forest of Québec, Canada. For models of human‐caused fires, we used road density as a surrogate for human access and behaviour. We exploited the additive property of Poisson distributions to estimate cover‐type specific fire count rates, which would normally not be possible with data of this spatial resolution. We used piecewise linear functions to model nonlinear relations between fire weather and fire frequency for each cover‐type simultaneously. The estimated conditional rates may be considered as expected mean counts per unit area and time. It follows that these rates can be rescaled to arbitrary spatial and temporal extents. Our results showed fire frequency increased nonlinearly as aridity increased and more quickly in disturbed areas than other types. Road density exerted the strongest influence on the frequency of human‐caused fires, which were positively correlated with road density. The estimates may be used to parameterize the fire ignition component of spatial simulation models, which often have a resolution different from that at which the data were collected. This is an essential step in incorporating biotic and abiotic feedbacks, land‐cover dynamics, and climate projections into ecological forecasting. The insight into the power of Poisson additivity to reveal high‐resolution ecological processes from low‐resolution data could have applications in other areas of ecology.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 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 ».