MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413467299 · doi:10.5194/essd-2025-483

State of Wildfires 2024–25

2025· preprint· en· W4413467299 sur OpenAlexaffabout
Douglas I. Kelley, Chantelle Burton, Francesca Di Giuseppe, Matthew W. Jones, Maria Lucia Ferreira Barbosa, Esther Brambleby, Joe McNorton, Zhongwei Liu, Katie Blackford, Eleanor Burke, Andrew Ciavarella, Enza Di Tomaso, Jonathan Eden, Igor José Malfetoni Ferreira, Lukas Fiedler, Andrew James Hartley, Theodore R. Keeping, Seppe Lampe, Anna Lombardi, Guilherme Mataveli, Yuquan Qu, Patrícia S. Silva, Fiona R. Spuler, Carmen B. Steinmann, Miguel Ángel Torres‐Vázquez, Renata Moura da Veiga, Dave van Wees, Jakob Benjamin Wessel, Emily M. Wright, Bibiana Bilbao, Mathieu Bourbonnais, Cong Gao, Carlos M. Di Bella, Kebonye Dintwe, Victoria M. Donovan, Sarah Harris, Elena A. Kukavskaya, Brigitte N’Dri, Cristina Santín, Galia Selaya, Johan Sjöström, John T. Abatzoglou, Niels Andela, Rachel Carmenta, Emilio Chuvieco, Louis Giglio, Douglas S. Hamilton, Stijn Hantson, Sarah Meier, Mark Parrington, Mojtaba Sadegh, Jesús San-Miguel-Ayanz, Fernando Sedano, Marco Turco, Guido R. van der Werf, Sander Veraverbeke, Liana O. Anderson, Hamish Clarke, Paulo M. Fernandes, Crystal A. Kolden

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensOkanagan University CollegeUniversity of British Columbia, Okanagan Campus
Organismes subventionnairesH2020 European Research CouncilInterregNatural Environment Research CouncilEngineering and Physical Sciences Research CouncilWestpac Scholars TrustInnosuisse - Schweizerische Agentur für InnovationsförderungAustralian Research CouncilEuropean Centre for Medium-Range Weather ForecastsInstituto Brasileiro do Meio Ambiente e dos Recursos Naturais RenováveisMinisterio de Ciencia e InnovaciónConselho Nacional de Desenvolvimento Científico e TecnológicoFundação para a Ciência e a TecnologiaFundação de Amparo à Pesquisa do Estado de São PauloMet Office
Mots-clésState (computer science)Environmental scienceComputer scienceProgramming language

Résumé

récupéré en direct d'OpenAlex

Abstract. Climate change is increasing the frequency and intensity of extreme wildfires globally, yet our understanding of these high-impact events remains uneven and shaped by media attention and regional research biases. The State of Wildfire Project systematically tracks and analyses global fire activity and this, its second annual report, covers the March 2024 to February 2025 fire season. During the 2024–25 fire season, fire-related carbon (C) emissions were totalled 2.2 Pg C, 9 % above average and the 6th highest on record since 2003, despite below-average global burned area (BA; 3.7 million km2). Extreme fire seasons in South America’s rainforests, dry forests and wetlands, and in Canada’s boreal forests pushed up the global C emissions total. Fire C emissions were over four times above average in Bolivia, three times above average in Canada, and ~50 % above average in Brazil and Venezuela. Wildfires in 2024–25 caused 100 fatalities in Nepal, 34 in South Africa, and 30 in Los Angeles, with additional fatalities reported in Canada, Côte d’Ivoire, Portugal, and Turkey. The Eaton and Palisades fires in Southern California caused 150,000 evacuations and US$140 billion in damages. Communities in Brazil, Bolivia, Southern California, and Northern India were exposed to fine particulate matter at concentrations 13–60 times WHO’s daily air quality standards. We evaluated the causes and predictability of four extreme wildfire episodes from the 2024–25 fire season, including in Northeast Amazonia (January–March 2024), the Pantanal-Chiquitano border regions of Brazil and Bolivia (July–September 2024), Southern California (January 2025), and the Congo Basin (July–August 2024). Anomalous weather created conditions for these regional extremes, while fuel availability and human ignitions shaped spatial patterns and temporal fire dynamics. In the three tropical regions, prolonged drought was the dominant fire enabler, whereas in California, extreme heat, wind, and antecedent fuel build-up were the dominant enablers. Our attribution analyses show that climate change made extreme fire weather in Northeast Amazonia 30–70 times more likely, increasing burned area roughly fourfold compared to a scenario without climate change. In the Pantanal–Chiquitano, fire weather was 4–5 times more likely, with up to 35-fold increases in burned area. In Southern California, climate change made larger burned area 89 % more likely, with burned area up to 25 times higher. The Congo Basin’s fire weather was 3–8 times more likely with climate change, with a 2.7-fold increase in burned area. Socioeconomic changes since the pre-industrial period, including land-use change, also likely increased burned area in Northeast Amazonia. Our models project that events on the scale of 2024–25 will become up to 57 %, 34 %, and 50 % more frequent than in the modern era in Northeast Amazonia, the Pantanal-Chiquitano, and the Congo Basin, respectively, under a middle-of-the-road scenario (SSP370). Climate action can limit the added risk, with frequency increases kept below 15 % in all three regions under a strong mitigation scenario (SSP126). In Southern California, the future trajectory of extreme fire likelihood remains highly uncertain due to poorly constrained climate-vegetation-fire interactions influencing fuel moisture, though our models suggest that risk may decline in future. This annual report from the State of Wildfires Project integrates and advances cutting-edge fire observations and modelling with regional expertise to track changing global wildfire hazard, guiding policy and practice towards improved preparedness, mitigation, adaptation, and societal benefit. Thirteen new datasets and model codebases presented in this work are available from the State of Wildfires Project’s Zenodo community (https://zenodo.org/communities/stateofwildfiresproject, last access: 11 August 2025).

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,098

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,006
Tête enseignante GPT0,225
Écart entre enseignants0,219 · 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'étudeObservationnel
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

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetFire effects on ecosystems→Travaux en français237 207→