Topographic and fire weather controls of fire refugia in forested ecosystems of northwestern North America
Notice bibliographique
Résumé
Abstract Fire refugia, sometimes referred to as fire islands, shadows, skips, residuals, or fire remnants, are an important element of the burn mosaic, but we lack a quantitative framework that links observations of fire refugia from different environmental contexts. Here, we develop and test a conceptual model for how predictability of fire refugia varies according to topographic complexity and fire weather conditions. Refugia were quantified as areas unburned or burned at comparatively low severity based on remotely sensed burn severity data. We assessed the relationship between refugia and a suite of terrain‐related explanatory metrics by fitting a collection of boosted regression tree models. The models were developed for seven study fires that burned in conifer‐dominated forested landscapes of the Western Cordillera of Canada between 2001 and 2014. We fit nine models, each for distinct levels of fire weather and terrain ruggedness. Our framework revealed that the predictability and abundance of fire refugia varied among these environmental settings. We observed highest predictability under moderate fire weather conditions and moderate terrain ruggedness ( ROC ‐ AUC = 0.77), and lowest predictability in flatter landscapes and under high fire weather conditions ( ROC ‐ AUC = 0.63–0.68). Catchment slope, local aspect, relative position, topographic wetness, topographic convergence, and local slope all contributed to discriminating where refugia occur but the relative importance of these topographic controls differed among environments. Our framework allows us to characterize the predictability of contemporary fire refugia across multiple environmental settings and provides important insights for ecosystem resilience, wildfire management, conservation planning, and climate change adaptation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».