Observed versus predicted fire behavior in an Alaskan black spruce forest ecosystem: an experimental fire case study
Notice bibliographique
Résumé
Abstract Background Fire managers tasked with assessing the hazard and risk of wildfire in Alaska, USA, tend to have more confidence in fire behavior prediction modeling systems developed in Canada than similar systems developed in the US. In 1992, Canadian fire behavior systems were adopted for modeling fire hazard and risk in Alaska and are used by fire suppression specialists and fire planners working within the state. However, as new US-based fire behavior modeling tools are developed, Alaskan fire managers are encouraged to adopt the use of US-based systems. Few studies exist in the scientific literature that inform fire managers as to the efficacy of fire behavior modeling tools in Alaska. In this study, I provide information to aid fire managers when tasked with deciding which system for modeling fire behavior is most appropriate for their use. On the Magitchlie Creek Fire in Alaska, I systematically collected fire behavior characteristics within a black spruce (Picea mariana [Mill.] Britton, Sterns & Poggenb.) ecosystem under head fire conditions. I compared my fire behavior observations including flame length, rate of spread, and head fire intensity with fire behavior predictions from the US fire modeling system BehavePlus, and three Canadian systems: RedAPP, CanFIRE, and the Crown Fire Initiation and Spread system (CFIS). Results All four modeling systems produced reasonable rate of spread predictions although the Canadian systems provided predictions slightly closer to the observed fire behavior. The Canadian fire behavior prediction modeling systems RedAPP and CanFIRE provided more accurate predictions of head fire intensity and fire type than BehavePlus or CFIS. Conclusions The most appropriate fire behavior modeling system for use in Alaskan black spruce ecosystems depends on what type of questions are being asked. For determining the rate of fire movement across a landscape, REDapp, CanFIRE, CFIS, or BehavePlus can all be expected to provide reasonably accurate estimates of rate of spread. If fire managers are interested in using predicted flame length or energy produced for informing decisions such as which firefighting tactics will be successful, or for evaluating the ecological impacts due to burning, then the Canadian fire modeling systems outperformed BehavePlus in this case study.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».