Modeling wildfire dynamics using FLAM coupled with deep learning methods
Notice bibliographique
Résumé
We improve the accuracy of modeling burned areas using the FLAM model by identifying the hidden relationships between human and natural impacts on wildfire suppression efficiency using the deep learning-based methods. \n \nThe wildfire climate impacts and adaptation model (FLAM) is able to capture impacts of climate, population, and fuel availability on burned areas. FLAM uses a process-based fire parameterization algorithm with a daily time step. The model uses daily temperature, precipitation, relative humidity and wind speed to assess climate impacts on ignition probability and fire spread. The key features implemented in FLAM include fuel moisture computation based on the Fine Fuel Moisture Code (FFMC) of the Canadian Forest Fire Weather Index (FWI), and a procedure to calibrate spatial fire suppression efficiency. \n \nThe coupled FLAM and deep learning approach consists in the following steps. First, using FLAM we calibrate the suppression efficiency map by comparing model output with observed burned area (satellite data). Secondly, we use deep learning methods to identify and assess the drivers behind the calibrated map. The features used in the analysis include several socio-economic factors, including accessibility, GPP, land use maps, as well as burned areas and other parameters modeled by FLAM. Our approach allows classifying those features by their importance and find correlations between them. Finally, we implement the output of deep learning network to estimate the spatial suppression efficiency within FLAM (instead of calibrating it), and validate the approach using observed burned area. \n \nThe proposed approach is implemented using the Google Earth Engine platform that provides flexibility in terms of input data sets and visualization tools. We will present the case study for Indonesia at 0.083 arc degree spatial resolution. It is planned to consider climate change impacts in more detail. \n \nModeling burned areas and suppression efficiency can help the implementation of fire prevention policies for decision maker and provide important information for building adequate and cost-efficient fire response infrastructure.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».