Driver analysis of subarctic wildfire severity over a 35-year period
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
Large subarctic wildfires are causing environmental damage, releasing stored carbon, and forcing residents to relocate. Subarctic ecosystems are experiencing earlier, longer, and more intense wildfire seasons due in part to factors such as warmer winters and the broader spread of damaging insects. There is limited agreement within existing research on the type of drivers and degree of influence that climate, vegetation and topographic factors have on wildfire severity. Existing research has been limited through using small datasets and applying a limited number of drivers. This study aims to address these gaps by improving upon existing methodological limitations and quantifying the influence of a more comprehensive list of climate, vegetation, and topographic variables on wildfire severity. An XGBoost regression model with an r2 of 0.7 was trained, and shapely values were used to investigate the combined variable contributions to predictions of wildfire severity. This research identified variable importance trends unique to predicting subarctic wildfire severity in rugged regions with cold annual temperatures and short growing seasons. Important variables not previously identified include skin reservoir content, evaporation from vegetation transpiration, wind exposition index, soil temperature, and visible sky percentage, in addition to variables found by existing research, namely pre-fire vegetation, wind speed, topographic position index and land cover. This research helps to build consensus on the factors driving severe wildfires in subarctic ecosystems, and the methods developed could become the basis for future study.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle