Notice bibliographique
Résumé
This paper was presented at the conference ‘Integrating spatial technologies and ecological principles for a new age in fire management’, Boise, Idaho, USA, June 1999 Fire effects are modeled for a variety of reasons including: to evaluate risk, to develop treatment prescriptions, to compare management options, and to understand ecosystems. Fire effects modeling may be conducted at a range of temporal and spatial scales. First-order fire effects are those that are the direct result of the combustion process such as plant injury and death, fuel consumption and smoke production. Modeling these effects provides an important cornerstone for models that operate at larger spatial and temporal scales. Detailed physical models of heat transfer and the combustion process under development should provide a vehicle for quantifying fire treatment and predicting fire effects. Second-order fire effects are indirect consequences of fire and other post-fire interactions such as weather. They may take place a few hours to many decades after a fire. Some important second-order fire effects are smoke dispersion, erosion, and vegetation succession. Many approaches have been used to model fire effects including empirical, mechanistic, stochastic, and combinations of all three. Selection of the appropriate model approach and scale depends on the objectives of the modeler, as well as the quality and quantity of available data. This paper is not meant to provide an exhaustive review of fire effects models. Instead, it presents a background in approaches to modeling fire effects to provide managers a basis for selecting and interpreting simulation tools.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 tête enseignante, 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 ».