The impact of climate change on fire danger over the contiguous United States
Notice bibliographique
Résumé
Recent extreme heat events, especially those that have occurred in the Western United States (WUS), are fueling wildfires and funneling smoke at an unprecedented level, impacting air/water quality and leading to an increase in respiratory hospitalizations. Under greenhouse warming, extreme weather conditions that favor wildfire ignition are expected to occur more frequently over the contiguous United States (CONUS). Therefore, predicting wildfire danger under a changing climate is essential in managing future wildfires and protecting the welfare of people and the environment. In response to mitigating wildfire risks, the Canadian Fire Weather Index (FWI) was developed to provide a numeric rating representing the intensity of a spreading fire. In this work, we utilized fine-scale (0.25° x 0.25°) daily meteorological inputs from thirty-five general circulation models in NASA Earth Exchange Global Daily Downscaled Projections Coupled Model Intercomparison Project Phase 6 (NEX-GDDP-CMIP6) data to calculate the FWI. Using the daily maximum temperature, relative humidity, wind speed, and precipitation from NEX-GDDP-CMIP6, we calculated the FWI of historical and future simulations from the periods of 1950 to 2100 under different emission scenarios (Shared Socioeconomic Pathways 2-4.5 and 5-8.5). We have analyzed the FWI for the GISS-E2-1-G model, which indicates a 2-3% increase per decade in future fire danger under both emission-pathway-driven climate scenarios during the dry season in the Southwestern US. We have found that the FWI climatology in the Southwestern US during the Summer presents high to extreme fire danger (> 50) and higher FWI values in the future compared to historical observations. Moreover, we have explored the uncertainties across multiple models using NEX-GDDP-CMIP6 statistically downscaled data and found a significant spread of the FWI across the models for historical observations and future simulations. To correlate the link between the FWI and actual fire occurrence, we will calculate the FWI using reanalysis data (MERRA-2) and validate the FWI with actual fire occurrence data from Global Fire Emissions Database (GFED) with a special emphasis on the WUS. While supporting the US NCA and NASA’s Climate Adaptation Service Investigator (CASI), we will also try to contribute FWI to NASA’s FireSense, an initiative to bring an Earth systems approach to improving wildfire and wildland fire management.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».