Fuel Moisture Model Calibration under Natural Hazard Conditions: A Case Study in Andean Cypress-Coihue Mixed Forests, Northwestern Patagonia
Notice bibliographique
Résumé
Recent decades have seen a marked intensification of wildfire regimes worldwide, posing increasing risks to temperate forests. In northwestern Patagonia, Argentina, these changes threaten biodiversity-rich Andean foothill forests dominated by Austrocedrus chilensis and Nothofagus dombeyi. Yet, most operational fuel moisture models, such as those embedded in the Canadian Forest Fire Danger Rating System, remain calibrated for Northern Hemisphere conditions and may not accurately reflect the microclimatic variability of Patagonian mountain forests. This study develops and validates a site-specific calibration of 10-hour fuel moisture models under natural hazard conditions in the El Manso Valley, Río Negro Province. Field-based gravimetric measurements were combined with automated reference-stick data to examine diurnal dynamics of fuel moisture content (FMC) across contrasting canopy types. Linear calibration models were established to quantify relationships between stand-level FMC, local relative humidity, and standardized reference-stick readings. Results demonstrate pronounced species-specific differences: in the open Austrocedrus stand, FMC showed moderate correlation with relative humidity (R² = 0.330), indicating short- term atmospheric coupling. In contrast, Nothofagus fuels exhibited almost invariant moisture conditions (R² ≈ 0.003) due to canopy buffering and reduced air exchange. Standard models such as the Fine Fuel Moisture Code (FFMC) and reference-stick calibrations consistently overpredicted drying rates under shaded and mesic conditions. These findings highlight the need for regionally adapted calibration schemes that incorporate canopy structure and microclimatic controls. The study provides an empirical basis for improving the accuracy of fire danger rating systems in southern temperate forests and contributes to a broader understanding of fuel–climate interactions under increasing wildfire risk.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».