The 2017 North Bay and Southern California Fires: A Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Two extreme wind-driven wildfire events impacted California in late 2017, leading to 46 fatalities and thousands of structures lost. This study characterizes the meteorological and climatological factors that drove and enabled these wildfire events and quantifies their rarity over the observational record. Both events featured key fire-weather metrics that were unprecedented in the observational record that followed a sequence of climatic conditions that enhanced fine fuel abundance and fuel availability. The North Bay fires of October 2017 occurred coincident with strong downslope winds, with a majority of burned area occurring within the first 12 hours of ignition. By contrast, the southern California fires of December 2017 occurred during the longest Santa Ana wind event on record, resulting in the largest wildfire in California’s modern history. Both fire events occurred following an exceptionally wet winter that was preceded by a severe four-year drought. Fuels were further preconditioned by the warmest summer and autumn on record in northern and southern California, respectively. Finally, delayed onset of autumn precipitation allowed for critically low dead fuel moistures leading up to the wind events. Fire weather conditions were well forecast several days prior to the fire. However, the rarity of fire-weather conditions that occurred near populated regions, along with other societal factors such as limited evacuation protocols and limited wildfire preparedness in communities outside of the traditional wildland urban interface were key contributors to the widespread wildfire impacts.
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.
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 | 0,001 | 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 | 0,005 |
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 découle