A simple metric of landscape fire exposure
Notice bibliographique
Résumé
Abstract Context Proximity of landcover elements to each other will enable or constrain fire spread. Assessments of potential fire propagation across landscapes typically involve empirical or simulation models that estimate probabilities based on complex interactions among biotic and abiotic controls. Objectives We developed a metric of landscape fire exposure based solely on a grid cell’s proximity to nearby hazardous fuel capable of transmitting fire to its location. To evaluate accuracy of this new metric, we asked: Do burned areas occur preferentially in locations with high exposure? Methods We mapped exposure to hazardous fuels in Alberta, Canada using a neighbourhood analysis. Correspondence between exposure and 2331 fires that burned 2,606,387 ha following our 2007 assessment was evaluated and exposure changes between 2007 and 2019 were assessed. Results In all eleven ecological units analysed, burned area surpluses occurred where exposure was ≥ 60% and corresponding deficits occurred where exposure was < 40%. In seven ecological units, the majority of burned areas had pre-fire exposure ≥ 80%. Between 2007 and 2019, land area with exposure ≥ 80% increased by almost a third. Conclusions Exposure to hazardous fuels is easily quantified with a single thematic layer and aligns well with subsequent fires in Boreal, Foothills and Rocky Mountain natural regions. The resulting fire exposure metric is a numeric rating of the potential for fire transmission to a location given surrounding fuel composition and configuration, irrespective of weather or other fire controls. Exposure can be compared across geographic regions and time periods; and used in conjunction with other metrics of fire controls to inform the study of landscape fire.
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 | 0,001 |
| 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) | 0,017 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».