Applicability of Remote Sensing-Based Vegetation Water Content in Modeling Lightning-Caused Forest Fire Occurrences
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this study, our aim was to model forest fire occurrences caused by lightning using the variable of vegetation water content over six fire-dominant forested natural subregions in Northern Alberta, Canada. We used eight-day composites of surface reflectance data at 500-m spatial resolution, along with historical lightning-caused fire occurrences during the 2005–2016 period, derived from a Moderate Resolution Imaging Spectroradiometer. First, we calculated the normalized difference water index (NDWI) as an indicator of vegetation/fuel water content over the six natural subregions of interest. Then, we generated the subregion-specific annual dynamic median NDWI during the 2005–2012 period, which was assembled into a distinct pattern every year. We plotted the historical lightning-caused fires onto the generated patterns, and used the concept of cumulative frequency to model lightning-caused fire occurrences. Then, we applied this concept to model the cumulative frequencies of lightning-caused fires using the median NDWI values in each natural subregion. By finding the best subregion-specific function (i.e., R2 values over 0.98 for each subregion), we evaluated their performance using an independent subregion-specific lightning-caused fire dataset acquired during the 2013–2016 period. Our analyses revealed strong relationships (i.e., R2 values in the range of 0.92 to 0.98) between the observed and modeled cumulative frequencies of lightning-caused fires at the natural subregion level throughout the validation years. Finally, our results demonstrate the applicability of the proposed method in modeling lightning-caused fire occurrences over forested regions.
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.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,002 |
| 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 découle