Influence of Fuel Moisture Content, Packing Ratio and Wind Velocity on the Ignition Probability of Fuel Beds Composed of Mongolian Oak Leaves via Cigarette Butts
Notice bibliographique
Résumé
Cigarette butts are an important human firebrand and account for a significant amount of man-made fires. To better address forest fires caused by cigarette butts, the influencing factors governing the ignition probability of cigarette butts can be used to establish a prediction model. This study obtains the influencing factors of the ignition probability of cigarette butts in order to establish a prediction model by constructing fuel beds composed of Mongolian oak leaves with varied fuel moisture content and packing ratios. A total of 2520 ignition experiments were then conducted by dropping cigarette butts on the fuel beds to test the burning probability of the fuels under varied wind speeds. Moisture content, wind speed, and their interaction significantly influenced ignition probability. In the absence of wind, the ignition probability is zero. The maximum moisture content of Mongolian oak leaves that could be ignited by cigarette butts was 15%. A logistic model and self-built model for predicting the ignition probability were established using these results; the mean absolute error values for the two models were 2.71% and 1.13%, respectively, and the prediction error of the self-built model was lower than that of the logistic model. This is important research to mitigate the threat of forest fires due to cigarette butts given the frequent occurrence of these events.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».