Sensitivity of the CFFDRS Fire Weather Index parameters for Indian weather conditions
Notice bibliographique
Résumé
The Canadian Forest Fire Danger Rating System (CFFDRS) is used to assess and predict the fire behavior in various forest ecosystems all over the world. The Fire Weather Index (FWI) module of the CFFDRS models the relationship between meteorology and forest fires. It was observed in our earlier study that the values of the FWI and its related parameters were considerably different from the other countries that use the model for their operational fire weather simulation. In this study we evaluate the model performance over Indian climate for a period of 10 years 1996-2005 under various weather scenarios. The daily meteorological data from ECMWF’s ERA5 reanalysis has been used as inputs to the fire model and the active fire data from MODIS Terra and Aqua satellites over the study period has been used to evaluate the capability of model to simulate fire danger. As India has many different climatic zones, we evaluated the behavior fire model parameters over 5 forest zones namely Himalayan, Deciduous, Western Ghats, Thorn forests and North Eastern forests based on the Roy et al. 2016 Land Use Land Cover data and Koppen climatic zones. The analysis was narrowed down over only the forest areas of the zones so as to remove any chances of including the non-forest fires detected by the satellite. Results show that the FWI shows a strong correlation with forest fires if the model is correctly spun up and appropriately calibrated. A spin up time of minimum 60 days was found to be appropriate for stabilization of FWI components like Duff Moisture Code (DMC) and Drought Code (DC). Sensitivity studies showed that temperature and relative humidity are the key controlling factors of forest fires over India and that the parameters depict high interannual seasonality due to relatively lower values during the Indian monsoon season. This study is one of the first attempts to use fire models to simulate fire behavior over India. It can serve as a launchpad for further work on fire hazard prediction and effects of climate change on fire hazard in India.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».