Effect of Recent Prescribed Burning and Land Management on Wildfire Burn Severity and Smoke Emissions in the Western United States
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Wildfires in the western US increasingly threaten infrastructure, air quality, and public health. Prescribed (“Rx”) fire is often proposed to mitigate future wildfires, but treatments remain limited, and few studies quantify their effectiveness on recent major wildfires. We investigate the effects of Rx fire treatments on subsequent burn severity across western US ecoregions and particulate matter (PM 2.5 ) emissions in California. Using high‐resolution (30‐m) satellite imagery, land management records, and fire emissions data, we employ a quasi‐experimental design to compare Rx fire‐treated areas with adjacent untreated areas to estimate the impacts of recent Rx fires (Fall 2018–Spring 2020) on the extreme 2020 wildfire season. We find that within 2020 wildfire burn areas where Rx fires were used prior to 2020, burn severity changed by −16% ( p < 0.001) and smoke PM 2.5 emissions changed by −101 kg per acre ( p < 0.1). Rx fires in the wildland‐urban interface (“WUI”) were less effective in reducing burn severity and smoke PM 2.5 emissions than those outside the WUI. Overall, Rx fires led to a net reduction of −14% in PM 2.5 emissions, including those from the Rx fires themselves. The proposed policy of treating one million acres annually in California could reduce smoke emissions by 655,000 tons over the next 5 years, equivalent to 52% of the emissions from 2020 wildfires. Our analysis provides comprehensive estimates of the net benefits of Rx fire on subsequent burn severity and smoke PM 2.5 emissions in the western US, an empirical basis for evaluating proposed Rx fire expansions, and valuable constraints for future modeling.
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.
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 | 0,000 | 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 découle