Evaluation of Gridded Precipitation Data and Interpolation Methods for Forest Fire Danger Rating in Alberta, Canada
Notice bibliographique
Résumé
Abstract The Canadian Forest Fire Weather Index System is the primary measurement of wildfire danger in Canada. Interpolating daily precipitation, one of the inputs for the Fire Weather Index System is a key challenge in areas without sufficient weather stations. This work evaluates the performance of gridded precipitation from the Canadian Precipitation Analysis (CaPA) System and six interpolation methods to achieve the best fire danger rating in Alberta, Canada. Results show that the CaPA System has only average performance due to limited radar coverage (10%) in the forested region; however, using the CaPA System as a covariate with regression kriging generates significantly better precipitation estimates. Ordinary kriging, regression kriging with elevation as a covariate, and the thin‐plate smoothed spline are methods with similar performance. Fuel moisture codes of the Fire Weather Index System respond differently to precipitation amounts due to differences in their time constants for drying. Fine fuels with a short drying time (Fine Fuel Moisture Code) are best estimated by the CaPA System because of its enhanced skill in estimating small precipitation events. Compacted organic fuels with longer drying times (Duff Moisture Code and Drought Code) are best estimated by regression kriging with CaPA because it better predicts significant precipitation events. The dense fire weather station network in our study area (~3.0 stations/10,000 km2) allows us to perform a sensitivity analysis, and we find that a threshold of >0.5 stations/10,000 km2is needed for regression kriging with CaPA to become appreciably better than the CaPA System.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».