Fire-growth modelling using meteorological data with random and systematic perturbations
Notice bibliographique
Résumé
The focus of this investigation is to quantify the effects of perturbations in the meteorological data used in a fire-growth model. Observed variations of temperature, humidity, wind speed, and wind direction are applied as perturbations to hourly values within a simulated weather forecast to produce several forecasts. In turn, these are used by a deterministic eight-point fire-growth model to produce an ensemble of possible final fire perimeters. Two studies were conducted to assess the value of applying perturbations. In the first study, fire growth using detailed, one-minute data was compared to growth based on the more commonly used hourly data. Results showed that the detailed weather produced fire growth larger and wider than the hourly based data. By applying perturbations, variations in the flank and back-fire spread were captured by the random-perturbation model while the forward spread fell within the 20 to 30% probability prediction. A sensitivity analysis based on the observed variations showed that wind speed accounted for a 44% difference in area burned, while temperature accounted for only a 16% difference. In the second study, case studies were conducted on four observed forest fires in Wood Buffalo National Park. Results showed that daily fire-growth predictions using simulated weather forecasts over-predicted fire growth using actual hourly weather observations by 27%. Systematic-perturbation models best compensated for this with most fire growth falling within the predicted range of the models (52 out of 63 days).
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».