MétaCan
Menu
Retour à la cohorte
Enregistrement W3185743759 · doi:10.1126/sciadv.abh2262

Ignitions explain more than temperature or precipitation in driving Santa Ana wind fires

2021· article· en· W3185743759 sur OpenAlexaff
Jon E. Keeley, Janin Guzman‐Morales, Alexander Gershunov, Alexandra D. Syphard, Daniel R. Cayan, David W. Pierce, Mike Flannigan, Tim Brown

Notice bibliographique

RevueScience Advances · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesU.S. Geological Survey
Mots-clésPrecipitationWind speedEnvironmental scienceAtmospheric sciencesAir temperatureMeteorologyClimatologyGeologyGeography

Résumé

récupéré en direct d'OpenAlex

Autumn and winter Santa Ana wind (SAW)-driven wildfires play a substantial role in area burned and societal losses in southern California. Temperature during the event and antecedent precipitation in the week or month prior play a minor role in determining area burned. Burning is dependent on wind intensity and number of human-ignited fires. Over 75% of all SAW events generate no fires; rather, fires during a SAW event are dependent on a fire being ignited. Models explained 40 to 50% of area burned, with number of ignitions being the strongest variable. One hundred percent of SAW fires were human caused, and in the past decade, powerline failures have been the dominant cause. Future fire losses can be reduced by greater emphasis on maintenance of utility lines and attention to planning urban growth in ways that reduce the potential for powerline ignitions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,492
Score d'incertitude au seuil0,434

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,264
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetFire effects on ecosystemsTravaux en français237 207