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 northern and southern California in late 2017 leading to 46 fatalities and thousands of structures lost. This study describes the meteorological and climatological factors that drove and enabled these wildfire events and quantifies the rarity of such conditions over the observational record. Both extreme wildfire events featured fire-weather metrics that were unprecedented in the observational record in addition to a sequence of climatic conditions that preconditioned fuels. The North Bay fires that affected portions of northern California in early October occurred coincident with strong downslope winds. The vast majority of the fires’ devastating effects and acres burned occurred overnight and within the first twelve hours of ignition. By contrast, the southern California fires of December were characterized by the longest Santa Ana wind event on record and included the largest wildfire in California’s history. Both fire events occurred following an exceptionally wet winter that was preceded by the drought of record in California. Fuels were further preconditioned as the warmest summer and autumn on record occurred in northern and southern California, respectively. Accelerated curing of fuels coupled with the delayed onset of autumn precipitation allowed for critically low dead fuel moisture leading up to the foehn wind events. Fire weather conditions were well forecasted several days prior to the fire. However, the rarity of fire-weather conditions that occurred in the wildland urban interface, along with other societal factors were key contributors to wildfire impacts to communities.
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 | 0,002 | 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 | 0,001 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,023 |
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