Estimation of dead fuel moisture content from meteorological data in Mediterranean areas. Applications in fire danger assessment
Notice bibliographique
Résumé
The estimation of moisture content of dead fuels is a critical variable in fire danger assessment since it is strongly related to fire ignition and fire spread potential. This study evaluates the accuracy of two well-known meteorological moisture codes, the Canadian Fine Fuels Moisture Content and the US 10-h, to estimate fuel moisture content of dead fuels in Mediterranean areas. Cured grasses and litter have been used for this study. The study was conducted in two phases. The former aimed to select the most efficient code, and the latter to produce a spatial representation of that index for operational assessment of fire danger conditions. The first phase required calibration and validation of an estimation model based on regression analysis. Field samples were collected in the Cabañeros National Park (Central Spain) for a six-year period (1998–2003). The estimations were more accurate for litter (r2 between 0.52) than for cured grasslands (r2 0.11). In addition, grasslands showed higher variability in the trends among the study years. The two moisture codes evaluated in this paper offered similar trends, therefore, the 10-h code was selected since it is simpler to compute. The second phase was based on interpolating the required meteorological variables (temperature and relative humidity) to compute the 10-h moisture code. The interpolation was based on European Centre for Medium Range Weather Forecasting (ECMWF) predictions. Finally, a simple method to combine the estimations of dead fuel moisture content with other variables associated to fire danger is presented in this paper. This method estimates the probability of ignition based on the moisture of extinction of each fuel type.
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 | 0,001 | 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 | 0,001 | 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 ».