MétaCan
Menu
Retour à la cohorte
Enregistrement W4280641986 · doi:10.1038/s41598-022-12132-5

Projections of wildfire weather danger in the Canary Islands

2022· article· en· W4280641986 sur OpenAlexaboutno aff
Judit Carrillo, Juan C. Pérez, Francisco J. Expósito, Juan P. Díaz, Albano González

Notice bibliographique

RevueScientific Reports · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensnon disponible
Organismes subventionnairesMinisterio para la Transición Ecológica y el Reto DemográficoMinisterio de Ciencia e InnovaciónEuropean Commission
Mots-clésEnvironmental sciencePrecipitationClimatologyClimate changeAltitude (triangle)Extreme weatherPhysical geographyMeteorologyGeographyEcologyGeologyMathematics

Résumé

récupéré en direct d'OpenAlex

Climate change is expected to enhance weather conditions prone to wildfires. Climate regionalized projections for the Canary Islands were performed, using as boundary conditions some of the results provided by the Coupled Model Intercomparison Project (CMIP5) initiative, and covering the recent past (1980-2009) and future (2070-2099) periods, under two Representative Concentration Pathways, 4.5 and 8.5. All fire risk indicators derived from the Canadian Forest Fire Weather Index (FWI) are foreseen to worsen by the end of the century. The fire season could increase its length up to 75 days per year, being more noticeable as altitude increases. The extreme risk days (FWI > 60) show an average increase of 58%, reaching 12 days a year, and the area with high risk could increase by 44%. Analyzing the contribution of the different meteorological variables, it is observed that the main parameter in the fire danger index result is the temperature (currently weights 46%). However, in the future, the importance of precipitation will increase, since the rainfall reduction in some areas could reach 41%. The high dependence of the expected changes on land height, and the small size of the islands, demonstrates the necessity of using high-resolution climate regionalizations.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,216
Score d'incertitude au seuil0,429

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,007
Tête enseignante GPT0,210
Écart entre enseignants0,203 · 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'étudeSimulation ou modélisation
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

Citations27
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetFire effects on ecosystemsTravaux en français237 207