Managing Smoke Risk from Wildland Fires: Northern California as a Case Study
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Smoke fine particulate matter (PM 2.5 ) from increasing wildfires in the western United States threatens public health. While land managers often prioritize reducing wildfire risk in the wildland-urban interface, the impact on regional air quality from mitigating wildfire spread has been less explored. We developed a framework to quantify wildfire contributions to smoke exposure and assess targeted land management strategies. This data-driven approach integrates fire emissions and smoke transport to generate a smoke risk index at 0.25° × 0.25° resolution. We deploy the smoke risk index in an online tool, enabling stakeholders to analyze smoke risk under various scenarios of burned area, fuel consumption, and land management. Using Northern California as a case study, we estimate that in 2020, targeted land management in the 15 highest risk areas (∼3.5% of the total) could have reduced smoke exposure by 17.6%. However, most prescribed burns conducted from 2017 to 2020 did not overlap with these high-risk zones. Our framework also estimates excess deaths from smoke PM 2.5 exposure, attributing ∼36,400 (95% CI: 25,400–47,200) deaths nationally to western US fires in the year following the 2020 fire season. Our adaptable tool can incorporate higher-resolution data sets and help stakeholders prioritize fuel treatment and fire suppression to mitigate smoke exposure risks.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».