Incendios forestales en ecosistemas de la puna húmeda en los Andes de Ayacucho, Perú
Bibliographic record
Abstract
Esta investigación analiza la extensión y frecuencia de los incendios forestales en el ecosistema de la puna húmeda desde el año 2013 al 2021, identificando las áreas afectadas y determinando las causas con la finalidad de mejorar el manejo de fuego en el departamento de Ayacucho (región andina de Perú). La metodología combina análisis cartográfico, imágenes satelitales y entrevistas semiestructuradas para identificar las causas, consecuencias y alternativas de mitigación de los incendios. Los resultados muestran que las áreas afectadas por los incendios durante los 9 años son muy diferenciadas, siendo el 2020 el año con mayor área incendiada llegando a 2,836 ha lo que representa el 14.89% de la puna húmeda del área de estudio. Además, las áreas incendiadas con mayor frecuencia se repiten entre 7 y 9 veces en diferentes años, con un promedio de ha quemadas de forma reincidente de 182 ha. Las causas de los incendios son netamente de origen antrópico ocasionados por la (i) apertura de nuevas chacras o quema de rastrojo; (ii) quema del ichu para el rebrote de pastos y (iii) por razones culturales. Se concluye que la combinación de metodología de análisis cartográfico, imágenes satelitales y las entrevistas semiestructuras proporcionan información que permite entender las dinámicas del territorio y mejorar el manejo e implantación de políticas territoriales en la mitigación de los incendios.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".