War drives forest fire risks and highlights the need for more ecologically-sound forest management in post-war Ukraine
Notice bibliographique
Résumé
Since 24 February 2022, Ukraine has experienced full-scale military aggression initiated by the Russian Federation. The war has had a major negative impact on vegetation cover of war-affected regions. We explored interactions between pre-war forest management and the impacts of military activities in three of the most forested Ukrainian areas of interest (AOI), affected by the war. These were forests lying between Kharkiv and Luhansk cities (AOI 'East'), forests along the Dnipro River delta (AOI 'Kherson'), and those of the Chornobyl Exclusion Zone (AOI CEZ). We used Sentinel satellite imagery to create damaged forest cover masks for the year 2022. We mapped forests with elevated fire hazard, which was defined as a degree of exposure to the fire-supporting land use (mostly an agricultural land, a common source of ignitions in Ukraine). We evaluated the forest disturbance rate in 2022, as compared to pre-war rates. We documented significant increases in non-stand replacing disturbances (low severity fires and non-fire disturbances) for all three of the AOIs. Damaged forest cover varied among the AOIs (24,180 ± 4,715 ha, or 9.3% ± 1.8% in the 'East' AOI; 7,293 ± 1,925 ha, or 15.7% ± 4.1% in the 'Kherson' AOI; 7,116 ± 1,274 ha, or 5.0% ± 0.9% in the CEZ AOI). Among the forests damaged in 2022, the 'Kherson' AOI will likely have the highest proportion of an area with elevated fire hazard in the coming decades, as compared to other regions (89% vs. 70% in the 'East' and CEZ AOIs respectively). Future fire risks and extensive war-related disturbance of forest cover call for forest management to develop strategies explicitly addressing these factors.
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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».