Geographically Weighted Negative Binomial Regression Model Predicts Wildfire Occurrence in the Great Xing’an Mountains Better Than Negative Binomial Model
Notice bibliographique
Résumé
Wildfire is a major disturbance that affects large area globally every year. Thus, a better prediction of the likelihood of wildfire occurrence is essential to develop appropriate fire prevention measures. We applied a global negative Binomial (NB) and a geographically weighted negative Binomial regression (GWNBR) models to determine the relationship between wildfire occurrence and its drivers factors in the boreal forests of the Great Xing’an Mountains, northeast China. Using geo-weighted techniques to consider the geospatial information of meteorological, topographic, vegetation type and human factors, we aimed to verify whether the performance of the NB model can be improved. Our results confirmed that the model fitting and predictions of GWNBR model were better than the global NB model, produced more precise and stable model parameter estimation, yielded a more realistic spatial distribution of model predictions, and provided the detection of the impact hotpots of these predictor variables. We found slope, vegetation cover, average precipitation, average temperature, and average relative humidity as important predictors of wildfire occurrence in the Great Xing’an Mountains. Thus, spatially differing relations improves the explanatory power of the global NB model, which does not explain sufficiently the relationship between wildfire occurrence and its drivers. Thus, the GWNBR model can complement the global NB model in overcoming the issue of nonstationary variables, thereby enabling a better prediction of the occurrence of wildfires in large geographical areas and improving management practices of wildfire.
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 | 0,001 | 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 | 0,001 |
| 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 ».