Assessing crown fire potential in coniferous forests of western North America: a critique of current approaches and recent simulation studies
Notice bibliographique
Résumé
To control and use wildland fires safely and effectively depends on creditable assessments of fire potential, including the propensity for crowning in conifer forests. Simulation studies that use certain fire modelling systems (i.e. NEXUS, FlamMap, FARSITE, FFE-FVS (Fire and Fuels Extension to the Forest Vegetation Simulator), Fuel Management Analyst (FMAPlus®), BehavePlus) based on separate implementations or direct integration of Rothermel’s surface and crown rate of fire spread models with Van Wagner’s crown fire transition and propagation models are shown to have a significant underprediction bias when used in assessing potential crown fire behaviour in conifer forests of western North America. The principal sources of this underprediction bias are shown to include: (i) incompatible model linkages; (ii) use of surface and crown fire rate of spread models that have an inherent underprediction bias; and (iii) reduction in crown fire rate of spread based on the use of unsubstantiated crown fraction burned functions. The use of uncalibrated custom fuel models to represent surface fuelbeds is a fourth potential source of bias. These sources are described and documented in detail based on comparisons with experimental fire and wildfire observations and on separate analyses of model components. The manner in which the two primary canopy fuel inputs influencing crown fire initiation (i.e. foliar moisture content and canopy base height) is handled in these simulation studies and the meaning of Scott and Reinhardt’s two crown fire hazard indices are also critically examined.
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 | 0,011 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».