MétaCan
Menu
← Retour à la cohorte
Enregistrement W4408434172 · doi:10.5194/egusphere-egu25-10265

Wildfire Risk-Reduction Guidance for European Critical Infrastructure: Case Study of an Electrical Substation in Austria

2025· preprint· en· W4408434172 sur OpenAlexaboutno aff
Simona Dossi, Maria Papathoma-Köhle, Sven Fuchs, Eulàlia Planas, Elsa Pastor

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClimate changeDamagesHazardDisaster risk reductionNatural hazardEnvironmental scienceEuropean unionRisk assessmentEnvironmental resource managementEnvironmental protectionBusinessGeographyMeteorologyComputer scienceComputer security

Résumé

récupéré en direct d'OpenAlex

Wildfires are growing in intensity due to land-use changes and climate change impacts. 2023 ranked as the most destructive year for wildfires in the European Union since 2000, with over 500,000 hectares burned. As wildfire hazard increases, so does the need to prevent and mitigate wildfire risk, especially in interface areas where communities and the built environment are adjacent to or intermixed with wildlands. An emerging field of research focus is the Wildland-Industrial Interface (WII), where industrial buildings and infrastructures are at risk of potential wildfire exposure and damage.In an effort to implement practical wildfire risk-reduction measures in Europe, the DG-ECHO-funded project FIREPRIME is working to deploy wildfire risk-reduction guidelines in three European interface pilot sites: in Austria, Sweden, and Spain. Each pilot site includes a critical infrastructure (an electrical substation, train rail network, and chemical storage facility, respectively) to consider in the risk-reduction guidance. Critical infrastructures, defined as facilities that provide essential services to society, are expected to face a tenfold increase in damages due to climate change by the end of the century, highlighting the urgent need for tailored risk reduction measures against natural hazards. The power grid has had numerous hazardous interactions with wildfires, both through igniting highly destructive wildfires and by experiencing significant damage and subsequent power supply disruptions. Recent examples include the highly destructive 2023 Maui wildfire, ignited by fallen power lines, and the largest wildfire in Texas history, which occurred in 2024, when a damaged utility pole caused power lines to ignite vegetation.The Austrian critical infrastructure analyzed in this project is an electrical substation operated by the Austrian Power Grid, located in Haiming and nearly completely surrounded by an Alpine forest. Risk-reduction guidance and risk assessments methodologies for the electric power grid are reviewed to identify the most significant wildfire exposure mechanisms and damage modalities. The FireSmart Guidelines for Oil and Gas Industry from Canada are adapted and applied as an initial vulnerability assessment considering the local wildfire threat conditions, defensible space conditions, and location of vulnerable equipment. Available vulnerability assessments methodologies and preventative guidance are outlined to inform further risk-reduction measures.The FIREPRIME project focuses on implementing already-developed mitigation measures for wildfire risk, by adapting them to European realities; this work is a contribution to increase the European power grid resilience against increasing wildfire threats in future years.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,293
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFire effects on ecosystems→Travaux en français237 207→