Compounding effects of climate change and WUI expansion quadruple the likelihood of extreme-impact wildfires in California
Notice bibliographique
Résumé
Abstract Previous research has examined individual factors contributing to wildfire risk, but the compounding effects of these factors remain underexplored. Here, we introduce the “Integrated Human-centric Wildfire Risk Index (IHWRI)” to quantify the compounding effects of fire-weather intensification and anthropogenic factors—including ignitions and human settlement into wildland—on wildfire risk. While climatic trends increased the frequency of high-risk fire-weather by 2.5-fold, the combination of this trend with wildland-urban interface expansion led to a 4.1-fold increase in the frequency of conditions conducive to extreme-impact wildfires from 1990 to 2022 across California. More than three-quarters of extreme-impact wildfires—defined as the top 20 largest, most destructive, or deadliest events on record—originated within 1 km from the wildland-urban interface. The deadliest and most destructive wildfires—90% of which were human-caused—primarily occurred in the fall, while the largest wildfires—56% of which were human-caused—mostly took place in the summer. By integrating human activity and climate change impacts, we provide a holistic understanding of human-centric wildfire risk, crucial for policy development.
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 | 0,000 |
| 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 ».