Spatiotemporal Dynamics and Climate Influence of Forest Fires in Fujian Province, China
Notice bibliographique
Résumé
Climate determines the spatiotemporal distribution pattern of forest fires by affecting vegetation and the extent of drought. Thus, analyzing the dynamic change of the forest fire season and its response to climate change will play an important role in targeted adjustments of forest fire management policies and practices. In this study, we studied the spatiotemporal variations in forest fire occurrence in Fujian Province, China using the Mann–Kendall trend test and correlation analysis to analyze Moderate Resolution Imaging Spectroradiometer (MODIS) data from 2001 to 2016 and meteorological data. The results show that forest fire occurrence rose first and then declined over the years, but the proportion of forest fires during the fire prevention period decreased. The forest fires increased significantly in spring and summer, exceeding the forest fires occurring in the fire prevention period in 2010. The spatial distribution of forest fires decreased from northwest to southeast coastal areas, among which the number of forest fires in the northwest mountainous areas was large in autumn and winter. The fire risk weather index was strongly and positively correlated with forest fire occurrence across various sites in the province. The findings accentuate the need for properly adjusting the fire prevention period and resource allocation, strengthening the monitoring and early warning of high fire risk weather, and publicizing wildfire safety in spring and summer. As the forest fire occurrence frequency is high in the western and northwest mountainous areas, more observation towers and forest fire monitoring facilities should be installed.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».