Extremely large fires shape fire severity patterns across the diverse forests of British Columbia, Canada
Notice bibliographique
Résumé
Abstract Warming and drying conditions are driving increases in wildfire size and annual area burned across the forests of British Columbia, Canada. The impact of increasing fire activity on these forests remains unclear as examination of concurrent changes to fire severity is lacking. Here, we assess how fire severity patterns change with the amplification of wildfire size across the bioregions of British Columbia using fire severity mapping from 1986 to 2021. First, we examine trends in extremely large fires (i.e., largest 5% of fires) and their influence on annual area burned; then we examine scaling relationships between wildfire size and fire severity to determine if extremely large fires are more severe than smaller fires. Extremely large fires explained much of the variation in annual area burned and accounted for a large proportion of cumulative area burned (33%–71%) across the study area. Consequently, shifts in the size of extremely large fires, which increased by an order of magnitude over our study period, have driven a substantial increase in annual area burned. Scaling relationships revealed that bigger wildfires consisted of larger and more homogenous patches of high‐severity fire than smaller fires, resulting in a greater proportional contribution of high‐severity fire to fire extent. Patterns in scaling relationships were qualitatively similar for all bioregions, indicating shifts in fire regimes are widespread across the province. Our results demonstrate that recent increases in the extremes of wildfire size across the forests of British Columbia have driven a sharp increase in area burned, which was associated with a disproportionate increase in the size and extent of patches of high‐severity fire.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».