Productivity of Ontario initial-attack fire crews: results of an expert-judgement elicitation study
Notice bibliographique
Résumé
A structured expert-judgement elicitation technique was used to develop probability distributions for fireline production rates for Ontario's three- and four-person initial-attack crews for seven common fuel types and two distinct levels of fire intensity (i.e., low, 500 kW/m; moderate, 1500 kW/m). A total of 141 crew leaders provided 900 estimates of the minimum, maximum, and most likely (mode) time to construct 610 m (2000 ft) of fireline. This information was used to estimate parameters for beta probability distributions for each individual and scenario. Analysis of variance (ANOVA) of the beta-distribution parameters (α and β) and the three time estimates indicated that fuel type, intensity, crew size, and crew-leader experience all have a statistically significant (p < 0.05) influence on estimated crew productivity. The 28 scenario-specific and 7 aggregated distributions and expected values can be used in many operational fire-management activities (e.g., presuppression planning, initial-attack dispatching, initial-fire assessments) and incorporated into initial-attack containment models. These results also provide baseline data on crew productivity that can be used in larger strategic analyses to gauge the benefits of new fire-suppression equipment and techniques for the entire fire-management program.
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 | 0,015 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,000 | 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 ».