Machine learning in coupled wildfire-water supply risk assessment: Data science toolkit
Notice bibliographique
Résumé
The frontier of wildfire-related risk assessment is moving into data science territory, and with good reason. Computational statistics, built on a foundation of high resolution remote sensing data, ground data, and theory, forms the basis of powerful risk assessment tools. The need for data based risk assessment has increased in past years, in view of longer wildfire seasons in the U.S., associated with more frequent droughts, more human ignitions and accumulating fuel loads. We present an application of machine learning (ML), which makes it possible to analyze complex data without a priori definition of interactions—this is a major advantage because these interactions are not known beforehand. Specifically, we build a stochastic gradient boosting machine (GBM) toolkit to assess the change in river flow after wildfire in the contiguous United States (CONUS) over a 5-year period. The GBM accounts for nonlinear relationships and interactions between wildland fire characteristics, watershed geometry, climate variability, topography and land cover. Building the GBM is a sequential process where a loss function is minimized at each fold, along a gradient defined by pseudo-residuals. This process allows the program to progressively learn more about how the variables in the large dataset interact to result in the response (i.e., river flow). Our results show that wildfires increase annual river flow in the CONUS when more than 20% of a gaged basin is burned. Data science tools like the GBM presented here, are essential in generating practical knowledge on how wildfire impacts on ecohydrology can ultimately affect hydrological services, socio-hydrosystems and water security in fire-affected 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.
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 | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».