Are Climate Factors Driving the Contemporary Wildfire Occurrence in China?
Notice bibliographique
Résumé
Understanding the drivers of wildfire occurrence is of great value for fire prevention and management, but due to the variation in research methods, data sources, and data resolution of those studies, it is challenging to conduct a large-scale comprehensive comparative qualitative analysis on the topic. China has diverse vegetation types and topography, and has undergone rapid economic and social development, but experiences a high frequency of wildfires, making it one of the ideal locations for wildfire research. We applied the Random Forests modelling approach to explore the main types of wildfire drivers (climate factors, landscape factors and human factors) in three high wildfire density regions (Northeast (NE), Southwest (SW), and Southeast (SE)) of China. The results indicate that climate factors were the main driver of wildfire occurrence in the three regions. Precipitation and temperature significantly impacted the fire occurrence in the three regions due to the direct influence on the moisture content of forest fuel. However, wind speed had important influence on fire occurrence in the SE and SW. The explanation power of the landscape and human factors varied significantly between regions. Human factors explained 40% of the fire occurrence in the SE but only explained less than 10% of the fire occurrence in the NE and SW. The density of roads was identified as the most important human factor driving fires in all three regions, but railway density had more explanation power on fire occurrence in the SE than in the other regions. The landscape factors showed nearly no influence on fire occurrence in the NE but explained 46.4% and 20.6% in the SE and SW regions, respectively. Amongst landscape factors, elevation had the highest average explanation power on fire occurrence in the three regions, particularly in the SW. In conclusion, this study provides useful insights into targeted fire prediction and prevention, which should be more precise and effective under climate change and socio-economic development.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».