Mapping Soil Moisture as an Indicator of Wildfire Risk Using Landsat 8 Images in Sri Lanna National Park, Northern Thailand
Notice bibliographique
Résumé
<p>Severely dry climate plays an important role in the occurrence of wildfires in Thailand. Soil water deficits increase dry conditions, resulting in more intense and longer burning wildfires. The temperature vegetation dryness index (TVDI) and the normalized difference drought index (NDDI) were used to estimate soil moisture during the dry season to explore its use for wildfire risk assessment. The results reveal that the normalized difference wet index (NDWI) and land surface temperature (LST) can be used for TVDI calculation. Scatter plots of both NDWI/LST and the normalized difference vegetation index (NDVI)/LST exhibit the triangular shape typical for the theoretical TVDI. However, the NDWI is more significantly correlated to LST than the NDVI. Linear regression analysis, carried out to extract the maximum and minimum LSTs (LST<sub>max</sub>, LST<sub>min</sub>), indicate that LST<sub>max </sub>andLST<sub>min</sub> delineated by the NDWI better fulfill the collinearity requirement than those defined by the NDVI. Accordingly, the NDWI-LST relationship is better suited to calculate the TVDI. This modified index, called TVDI<sub>NDWI-LST</sub>, was applied together with the NDDI to establish a regression model for soil moisture estimates. The soil moisture model fulfills statistical requirements by achieving 76.65% consistency with the actual soil moisture and estimated soil moisture generated by our model. The relationship between soil moisture estimated from our model and leaf fuel moisture indicates that soil moisture can be used as a complementary dataset to assess wildfire risk, because soil moisture and fuel moisture content (FMC) show the same or similar behavior under dry conditions. <strong></strong></p>
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 ».