Wildfire evacuation patterns and syndromes across Canada's forested regions
Notice bibliographique
Résumé
Abstract Human exposure to wildfire is increasing in many regions globally—a trend likely to continue as climate change drives increases in wildfire activity and human populations continue to expand into fire‐prone landscapes. In Canada, this trend is reflected by a steady increase in the annual number of wildfire evacuations since the 1980s. Evacuations can be costly and cause severe stress, even when homes remain undamaged. Because many factors driving community vulnerability are likely correlated, classifying at‐risk communities into groups whose members share common drivers of wildfire vulnerability will be helpful in identifying the key wildfire evacuation “syndromes” that are repeated in different parts of the landscape. Understanding these syndromes will aid in anticipating and mitigating the effects of future fire exposure. Here, we classify the populated places across Canada's forested regions into 19 groups using variables describing their potential vulnerability to wildfire, including the surrounding land cover, land use and infrastructure, and the local fire regime. Then, we evaluate the utility of these groups by comparing actual wildfire exposure among the groups using a unique dataset of 1043 wildfire evacuations from 1980 to 2019. We identified three main evacuation syndromes that represent 79% of all evacuations and are distinct in their geographic distribution, the characteristics of the fires that drove the evacuations, the communities exposed, and the likely mode of evacuation. In remote areas dominated by conifer forest, evacuations were driven primarily by lightning‐ignited fires in the summer. Exposed communities typically lacked access to the road network, making it important to plan for evacuation by air. In less remote mixedwood forest areas, evacuations were driven largely by human‐ignited fires in the spring, and most communities had access to major roads. In interior British Columbia, evacuations were mainly in the summer and driven by both lightning‐ and human‐ignited fires. These areas experienced the greatest increase in evacuation frequency over the last two decades, reflecting the local trend of increasing wildfire activity. These differences highlight how the major risk factors vary spatially across the forested regions and temporally over the fire season—knowledge that will facilitate more effective planning for future fire seasons.
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) | 0,004 | 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 ».