A fireside chat: large wildfires are a looming threat to US lakes
Notice bibliographique
Résumé
Wildfires are becoming larger and more frequent across much of the US due to a combination of climate change and land use activities. Increasing wildfires have begun to raise concerns about effects on fresh waters, including water quality and other ecosystem services. Despite this, previous research mostly consists of short-term case studies and focuses on streams and rivers rather than lakes and reservoirs (hereafter, lakes). Using the Monitoring Trends in Burn Severity (MTBS) database, we show that 4.5% of lakes ≥ 1 ha in the continental US experienced at least one watershed wildfire from 1984-2016. Interestingly, lake watershed fires are not restricted to the western US. Of all the lower 48 states, Florida, Texas and Kansas were the top 3 states with the most lakes experiencing wildfire, whereas Idaho, Arizona and Nevada were the top 3 states by percentage of lakes in respective states experiencing wildfire. Using the LAGOS-US database, we present new regional-scale findings demonstrating effects of large wildfires on lake water quality. For example, we found a negative correlation between post-fire lake water clarity and the proportion of a lake’s watershed burned in 11 Minnesota and Wisconsin lakes (r = -0.61). We highlight the urgent need for more broad-scale studies that encompass an ecologically diverse set of waterbodies, landscapes and fire regimes, particularly in landscapes in which humans depend on lakes for fresh water. Finally, we emphasize that growing data sources such as MTBS and continental-scale water quality databases (e.g., LAGOS-US) offer prime opportunities for research advances that can help scale up findings from local case studies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».