Peatland burning identification among other wildfires across different ecozones in Canada
Notice bibliographique
Résumé
The unprecedented severity of the 2023 Canadian wildfires highlights growing concerns about the vulnerability of global peatlands—key ecosystems storing substantial amounts of terrestrial carbon. Peatlands, traditionally resistant to burning, are increasingly at risk due to climate-induced warmer and drier conditions. This study specifically investigates the extent and characteristics of peat burning in the 2023 Canadian wildfires based on available remote sensing data. The primary objective is to determine whether fires on peatlands demonstrate distinct fire behavior compared to fires on non-peatland. To achieve this goal, this study utilized statistical tools and machine learning algorithms, including power-law relationship estimates, Mann-Whitney U test, K-means clustering, and generalized additive model (GAM) to identify the contribution of peat presence to fire behaviors. Key findings demonstrate that fires on peatland are significantly more intense, longer-lasting, and associated with higher carbon emissions. Even though peat combustion can not be confirmed without field validations, these results underscore the critical importance of the potential impact of peat on wildfire growth and management. By highlighting the disproportionate impact of peat burning, this study provides a foundation for future research aimed at developing targeted remote sensing techniques and policy responses to mitigate peatland vulnerability and preserve vital carbon stores in the context of global climate change.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».