MétaCan
Menu
← Retour à la cohorte
Enregistrement W4254855765 · doi:10.5194/nhessd-1-6291-2013

Temporal variations and change of forest fire danger in Europe in 1960–2012

2013· preprint· en· W4254855765 sur OpenAlexaboutno aff
Ari Venäläinen, Natalia Korhonen, Nikos Koutsias, Fotios Xystrakis, Itziar R. Urbieta, José M. Moreno

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensnon disponible
Organismes subventionnairesEuropean Commission
Mots-clésClimate changeGeographyEnvironmental scienceClimatologyFire regimePhysical geographyEcosystemEcology

Résumé

récupéré en direct d'OpenAlex

Abstract. Understanding how fire-weather danger indices changed in the past, and detecting how changes affected forest fire activity is important in changing climate. We used the Canadian Fire Weather Index (FWI), calculated from two reanalysis datasets, ERA 40 and ERA Interim, to examine the temporal variation of forest fire danger in Europe in 1960–2012. Additionally, we used national forest-fires statistical data from Greece and Spain to relate fire danger and fire activity. There is no obvious trend in fire danger for the time period covered by ERA 40 (1960–1999) whereas for the period 1980–2012 covered by ERA Interim, the mean FWI and the number of high fire risk days shows an increasing trend which is significant at the 99% confidence level for South and East Europe. The cross-correlation calculated at national level in Greece and Spain between mean yearly area burned and mean FWI of the current season is of the order 0.5–0.6, and demonstrates the importance of the fire-season weather on forest fires. Our results show that, fire risk is multifaceted, and factors like changes in fire fighting capacity, ignition patterns, or landscapes might have played a role in forest fires trends. However, weather trends remain as important determinants of forest fires.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,019
Tête enseignante GPT0,224
Écart entre enseignants0,205 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFire effects on ecosystems→Travaux en français237 207→