How much does it cost to mitigate soil erosion after wildfires?
Notice bibliographique
Résumé
Wildfires usually increase the hydrological and erosive response of forest areas, carrying high environmental, human, cultural, and financial on- and off-site effects. Post-fire soil erosion control measures have been proven effective at mitigating such responses, especially at the slope scale, but there is a knowledge gap as to how cost-effective these treatments are. In this work, we review the effectiveness of post-fire soil erosion mitigation treatments at reducing erosion rates over the first post-fire year and provide their application costs. This allowed assessing the treatments’ cost-effectiveness (CE), expressed as the cost of preventing 1 Mg of soil loss. This assessment involved a total of 63 field study cases, extracted from 26 publications from the USA, Spain, Portugal, and Canada, and focused on the role of treatment types and materials, and countries. Treatments providing a protective ground cover showed the best median CE (895 $ Mg−1), especially agricultural straw mulch (309 $ Mg−1), followed by wood-residue mulch (940 $ Mg−1) and hydromulch (2332 $ Mg−1). Barriers showed a relatively low CE (1386 $ Mg−1), due to their reduced effectiveness and elevated implementation costs. Seeding showed a good CE (260 $ Mg−1), but this reflected its low costs rather than its effectiveness to reduce soil erosion. The present results confirmed that post-fire soil erosion mitigation treatments are cost-effective as long as they are applied in areas where the post-fire erosion rates exceed the tolerable erosion rate thresholds (>1 Mg−1 ha−1 y−1) and are less costly than the loss of on- and off-site values that they are targeted to protect. For this reason, the proper assessment of post-fire soil erosion risk is vital to ensure that the available financial, human and material resources are applied appropriately.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».