Mapping fuels at multiple scales: landscape application of the Fuel Characteristic Classification SystemThis article is one of a selection of papers published in the Special Forum on the Fuel Characteristic Classification System.
Notice bibliographique
Résumé
Fuel mapping is a complex and often multidisciplinary process, involving remote sensing, ground-based validation, statistical modelling, and knowledge-based systems. The scale and resolution of fuel mapping depend both on objectives and availability of spatial data layers. We demonstrate use of the Fuel Characteristic Classification System (FCCS) for fuel mapping at two scales and resolutions: the conterminous USA (CONUS) at 1 km resolution and the Wenatchee National Forest, in Washington State, at 25 m resolution. We focus on the classification phase of mapping — assigning a unique fuelbed to each mapped cell in a spatial data layer. Using a rule-based method, we mapped 112 fuelbeds onto 7.8 million 1 km cells in the CONUS, and mapped 34 fuelbeds onto 18 million 25 m cells in the Wenatchee National Forest. These latter 34 fuelbeds will be further subdivided based on quantitative spatial data layers representing stand structure and disturbance history. The FCCS maps can be used for both modelling and management at commensurate scales. Dynamic fuel mapping is necessary as we move into the future with rapid climatic and land-use change, and possibly increasing disturbance extent and severity. The rule-based methods described here are well suited for updating with new spatial data, to keep local, regional, and continental scale fuel assessments current and inform both research and management.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».