Forest fire risk analysis via integration of GIS, RS and AHP: The Case of Çanakkale, Turkey
Notice bibliographique
Résumé
Forest fire is one of the high-risk natural disasters in the north-western Anatolia section of Turkey. This paper suggests a new approach based on Geographic Information Systems (GIS), Remote Sensing (RS) and Analytical Hierarchy Process (AHP) for the development of forest fire-risk model. The proposed approach includes human factors as well as environmental factors. In this context, the 12 variables defined under anthropogenic and physical factors in the proposed model are the slope, elevation, aspect, vegetation type, crown closure, Normalized Difference Vegetation Index (NDVI), distance to road, settlement, and agricultural areas, population density, previous fires, and Canadian Forest Fire Weather Index (FWI). For each variable, a layer was created in the GIS database environment. GIS-layers were classified, considering the risk of potentially generating forest-fire of the relevant variables. In addition, to generate risk maps, the weights used in these GIS-layers were obtained by applying the AHP technique. One of the major results of the study shows that the rates of “extreme”, “very high”, “high”, and “moderate” risk areas are 3.87%, 63.46%, 32.13% and 0.53%, respectively. Another important result is that there are not observed the so called “no risk" and "low risk" classes in the region. The results let us to make a conclusion that the natural and human factors having significant contributions the region to be fire-prone. Yet, these results also indicate that rather than emphasizing forest-fire preparedness and mitigation, policy-makers manage forest-fires through reactive, crisis-oriented approaches. In contrast to crisis-based management plans, this study suggests that risk-based preventive plans should be developed and implemented.
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 | 0,001 |
| Communication savante | 0,000 | 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 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 ».