Bottom-up drivers of future fire regimes in western boreal North America
Notice bibliographique
Résumé
Abstract Forest characteristics, structure, and dynamics within the North American boreal region are heavily influenced by wildfire intensity, severity, and frequency. Increasing temperatures are likely to result in drier conditions and longer fire seasons, potentially leading to more intense and frequent fires. However, an increase in deciduous forest cover is also predicted across the region, potentially decreasing flammability. In this study, we use an individual tree-based forest model to test bottom-up (i.e. fuels) vs top-down (i.e. climate) controls on fire activity and project future forest and wildfire dynamics. The University of Virginia Forest Model Enhanced is an individual tree-based forest model that has been successfully updated and validated within the North American boreal zone. We updated the model to better characterize fire ignition and behavior in relation to litter and fire weather conditions, allowing for further interactions between vegetation, soils, fire, and climate. Model output following updates showed good agreement with combustion observations at individual sites within boreal Alaska and western Canada. We then applied the updated model at sites within interior Alaska and the Northwest Territories to simulate wildfire and forest response to climate change under moderate (RCP 4.5) and extreme (RCP 8.5) scenarios. Results suggest that changing climate will act to decrease biomass and increase deciduous fraction in many regions of boreal North America. These changes are accompanied by decreases in fire probability and average fire intensity, despite fuel drying, indicating a negative feedback of fuel loading on wildfire. These simulations demonstrate the importance of dynamic fuels and dynamic vegetation in predicting future forest and wildfire conditions. The vegetation and wildfire changes predicted here have implications for large-scale changes in vegetation composition, biomass, and wildfire severity across boreal North America, potentially resulting in further feedbacks to regional and even global climate and carbon cycling.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».