Accounting for forest fire risks: global insights for climate change mitigation
Notice bibliographique
Résumé
Abstract Fire is an important risk in global forest loss and contributed 20% to 25% of the global anthropogenic greenhouse gas emissions between 1997 and 2016. Forest fire risks will increase with climate change in some locations, but existing estimates of the costs of using forests for climate mitigation do not yet fully account for these risks or how these risks change inter-temporally. To quantify the importance of forest fire risks, we undertook a global study of individual country fire risks, combining economic datasets and global remote sensing data from 2001 to 2020. Our estimates of forest fire risk premia better account for the risk of forest burning that would be additional to the risk-free and break-even price of credits or offsets to promote carbon sequestration and storage in forests. Our results show the following: (1) forest fire risk premia can be much larger than the historical forest area burned; (2) for some countries, forest fire risk premia have a large impact on the relative country-level break-even price of carbon credits or offsets; (3) a large spatial and inter-temporal heterogeneity of forest fires across countries between 2001 and 2020; and (4) the importance of properly incorporating forest fire risk premia into carbon credits/offset programs. As part of our analysis, and to emphasise the possible sub-national scale differences, our results highlight the heterogeneity in fire risk premia across 10 Canadian provinces.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».