Global sensitivity analysis for the Rothermel model based on high-dimensional model representation
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
Rothermel’s wildland surface fire spread model is widely used in North America. The model outputs depend on a number of input parameters, which can be broadly categorized as fuel model, fuel moisture, terrain, and wind parameters. Due to the inevitable presence of uncertainty in the input parameters, knowing the sensitivity of the model output to a given input parameter can be very useful for understanding and controlling the sources of parametric uncertainty. Instead of obtaining the local sensitivity indices, we perform a global sensitivity analysis that considers the synchronous changes of parameters in their respective ranges. The global sensitivity indices corresponding to different parameter groups are computed by constructing the truncated ANOVA – high dimensional model representation for the model outputs with a polynomial expansion approach. We apply global sensitivity analysis to six standard fuel models, namely short grass, tall grass, chaparral, hardwood litter, timber, and light logging slash. Our sensitivity results show similarities, as well as differences, between fuel models. For example, the sensitivities of the input parameters, i.e., fuel depth, low heat content, and wind, are large in all fuel models and as high as 85% of the total model variance in the fuel model light logging slash. On the other hand, the fuel depth explains around 40% of the total variance in the fuel model light logging slash but only 12% of the total variance in the fuel model short grass. The quantification of the importance of parameters across fuel models helps identify the parameters for which additional resources should be used to lower their uncertainty, leading to effective fire management.
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 | 0,014 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle