MétaCan
Menu
Retour à la cohorte
Enregistrement W4417188186 · doi:10.1016/j.isci.2025.114391

Mitigating increasing wildfire risk through fuel break innovations

2025· article· en· W4417188186 sur OpenAlexaff
Nicholas T. Link, Jill F. Johnstone, Xanthe J. Walker, Felecia Amundsen, Hazel K. Berrios, Luc Bibeau, Dorothy Cooley, Ann H. Erickson, Carla Johnston, Joseph Little, Nathan Lojewski, Carly Phillips, Stefano Potter, Daniel C. Rees, Lisa Saperstein, Jennifer I. Schmidt, Emily Sousa, Katie V. Spellman, Andrew Spring, Michelle C. Mack

Notice bibliographique

RevueiScience · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensBalsillie School of International AffairsSNC-Lavalin (Canada)Yukon Department of EnvironmentYukon Health and Social ServicesWilfrid Laurier UniversityYukon University
Organismes subventionnairesDivision of Research, Innovation, Synergies and EducationDivision of Environmental BiologyOffice of Polar Programs
Mots-clésBorealClimate changeWildland–urban interfaceGlobal warmingTaigaActive listening

Résumé

récupéré en direct d'OpenAlex

A warming climate and expanding wildland urban interface are escalating wildfire risk to human life and property in the boreal forests of western North America. To address this heightened risk, fuel breaks, which reduce fuels and enhance tactical use by firefighters, are increasingly being installed around northern communities. However, the current design and implementation of fuel breaks have social and ecological trade-offs that undermine wider acceptance and adoption. Creative fuel break designs could address these trade-offs by supporting complementary activities with ecological and socio-economic values-termed co-benefits-while maintaining tactical use for wildfire operations. Here, we report results from public listening sessions that recorded desired co-benefits from boreal residents. Through collaboration among scientists, land managers, and local communities, we developed four operationally plausible, innovative fuel break scenarios that provide these co-benefits. Fuel breaks with co-benefits can provide multiple needed services to communities across the region, helping them adapt to a rapidly changing climate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,089
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,240
Écart entre enseignants0,234 · 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 tête enseignante, 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueiScienceMême sujetFire effects on ecosystemsTravaux en français237 207