Do climate teleconnections modulate wildfire-prone conditions over the Iberian Peninsula?
Notice bibliographique
Résumé
Abstract Climate teleconnections (CT) synchronize and influence weather features such as temperature, precipitation and, subsequently, drought and fuel moisture in many regions across the globe. CTs thus may be related to cycles in wildfire activity, and thereby help fire managers to anticipate fire-prone weather conditions as well as envisaging their future evolution. A wide number of CTs modulate weather in the Iberian Peninsula (IP), exerting different levels of influence at different spatial and seasonal scales on a wide range of weather factors. In this work, we investigated the link between the most relevant CT patterns in the IP and fire activity and danger, exploring different spatial and temporal scales of aggregation. We analyzed a period of 36 years (1980–2015) using historical records of fire events (>100 ha burned) and the Canadian Fire Weather Index (FWI). Cross-correlation analysis was performed on monthly time series of CTs and fire data. Results pointed towards the North Atlantic Oscillation (in the western half of the IP) and Mediterranean Oscillation Index (along the Mediterranean coast) as the key CTs boosting burned area (BA) and fire weather danger in the IP. Both CTs relate to the relative position of the Azorean anticlone, fostering hazardous fire weather conditions during their positive phases, i.e. low rainfall and warm temperature leading to low fuel moisture content. The Scandinavian pattern index also played an important role in the western half of the Peninsula, linked to a decrease in rainfall during its negative phases. Nonetheless, the association between the CTs and BA (up to 0.5 Pearson’s R p < 0.05) was weaker than the observed between CTs and FWI (up to 0.75 Pearson’s R p < 0.05).
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,008 |
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 ».