Effects of Climate Change on Burn Probability of Forests in Daxing’anling
Notice bibliographique
Résumé
Projecting the burn probability (BP) under future climate scenarios would provide a scientific basis for the implementation of forest fire adaptation technology. This study compared the changes in the climate, fire weather, and burn probability during the fire season in Daxing’anling, China. A burn probability model was established and used to simulate the daily fire occurrence and spread at baseline (1971–2000) and into the 2030s (2021–2050) based on the outputs from five global climate models (GCMs) (GFDL-ESM2M, Had GEM2-ES, IPSL-CM5A-LR, MIROC-ESM-CHEM, and Nor ESM1-M) under four climate scenarios (RCP2.6, RCP4.5, RCP6.0, and RCP8.5). The results showed that the average daily maximum temperature in the fire season will be increased by 2.1 °C (+16.6%) in the 2030s compared with the baseline and precipitation in the fire season will be increased by 7.1%. The average fire weather index (FWI) of the fire season in the 2030s will be increased by 4.2%, but this change is not significant. There will be 39 fires per year in the 2030s, representing an increase of 11.4%. The accuracy of simulated burned areas was 71.2% for the 1991–2010 period. The simulated and observed burned areas showed similar interannual fluctuations during period 1971–2010. The potential burned areas in the 2030s will increase by 18.8% over those in the baseline period and the BP will increase by 19.4%. The implementation of proactive fire management in areas with high predicted BP values will be key for an effective mitigation of future 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.
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 | 0,001 | 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 ».