MétaCan
Menu
Retour à la cohorte
Enregistrement W4307368538 · doi:10.7717/peerj.14276

We’re building it up to burn it down: fire occurrence and fire-related climatic patterns in Brazilian biomes

2022· article· en· W4307368538 sur OpenAlexaff
Luisa Maria Diele‐Viegas, Lílian P. Sales, Juliana Hipólito, Claudjane Amorim, Éder Johnson de Area Leão Pereira, Paulo Ferreira, Cody Folta, Lucas Ferrante, Philip M. Fearnside, Ana C. M. Malhado, Carlos Frederico Duarte Rocha, Mariana M. Vale

Notice bibliographique

RevuePeerJ · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensConcordia University
Organismes subventionnairesFundação para a Ciência e a TecnologiaFundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de JaneiroConselho Nacional de Desenvolvimento Científico e TecnológicoFundação de Amparo à Pesquisa do Estado de GoiásCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésBiomeGeographyFire regimeEnvironmental scienceEcologyPhysical geographyBiologyEcosystem

Résumé

récupéré en direct d'OpenAlex

Background: Terrestrial biomes in South America are likely to experience a persistent increase in environmental temperature, possibly combined with moisture reduction due to climate change. In addition, natural fire ignition sources, such as lightning, can become more frequent under climate change scenarios since favourable environmental conditions are likely to occur more often. In this sense, changes in the frequency and magnitude of natural fires can impose novel stressors on different ecosystems according to their adaptation to fires. By focusing on Brazilian biomes, we use an innovative combination of techniques to quantify fire persistence and occurrence patterns over time and evaluate climate risk by considering key fire-related climatic characteristics. Then, we tested four major hypotheses considering the overall characteristics of fire-dependent, fire-independent, and fire-sensitive biomes concerning (1) fire persistence over time; (2) the relationship between climate and fire occurrence; (3) future predictions of climate change and its potential impacts on fire occurrence; and (4) climate risk faced by biomes. Methods: We performed a Detrended Fluctuation Analysis to test whether fires in Brazilian biomes are persistent over time. We considered four bioclimatic variables whose links to fire frequency and intensity are well-established to assess the relationship between climate and fire occurrence by confronting these climate predictors with a fire occurrence dataset through correlative models. To assess climate risk, we calculated the climate hazard, sensitivity, resilience, and vulnerability of Brazilian biomes, and then we multiplied the Biomes' vulnerability index by the hazards. Results: Our results indicate a persistent behaviour of fires in all Brazilian biomes at almost the same rates, which could represent human-induced patterns of fire persistence. We also corroborated our second hypothesis by showing that most fire-dependent biomes presented high thermal suitability to fire, while the fire-independent biome presented intermediate suitability and fire-sensitive biomes are the least suitable for fire occurrence. The third hypothesis was partially corroborated since fire-dependent and independent biomes are likely to increase their thermal suitability to fire, while fire-sensitive biomes are likely to present stable-to-decreasing thermal suitability in the future. Finally, our fourth hypothesis was partially corroborated since most fire-dependent biomes presented low climate risk, while the fire-independent biome presented a high risk and the fire-sensitive biomes presented opposite trends. In summary, while the patterns of fire persistence and fire occurrence over time are more likely to be related to human-induced fires, key drivers of burned areas are likely to be intensified across Brazilian biomes in the future, potentially increasing the magnitude of the fires and harming the biomes' integrity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,286
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,011
Tête enseignante GPT0,253
Écart entre enseignants0,241 · 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 tête enseignante, pas un consensus.

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

Citations12
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePeerJMême sujetFire effects on ecosystemsTravaux en français237 207