Spatial distribution of wildfire threat in the far north: exposure assessment in boreal communities
Notice bibliographique
Résumé
Abstract Increased wildfire activity has raised concerns among communities about how to assess and prepare for this threat. There is a need for wildfire hazard assessment approaches that capture local variability to inform decisions, produce results understood by the public, and are updatable in a timely manner. We modified an existing approach to assess decadal wildfire hazards based primarily on ember dispersal and wildfire proximity, referencing landscape changes from 1984 through 2014. Our modifications created a categorical flammability hazard scheme, rather than dichotomous, and integrated wildfire exposure results across spatial scales. We used remote sensed land cover from four historical decadal points to create flammability hazard and wildfire exposure maps for three arctic communities (Anchorage and Fairbanks, Alaska and Whitehorse, Yukon). Within the Fairbanks study area, we compared 2014 flammability hazard, wildfire exposure, and FlamMap burn probabilities among burned (2014–2023) and unburned areas. Unlike burn probabilities, there were significantly higher in exposure values among burned and unburned locations (Wilcoxon; p < 0.001) and exposure rose as flammability hazard classes increased (Kruskal–Wallis; p < 0.001). Very high flammability hazard class supported 75% of burned areas and burns tended to occur in areas with 60% exposure or greater. Areas with high exposure values are more prone to burn and thus desirable for mitigation actions. By working with wildfire practitioners and communities, we created a tool that rapidly assesses wildfire hazards and is easily modified to help identify and prioritize mitigation activities.
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 | 0,001 | 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 | 0,001 |
| 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 ».