Prioritization in wildfire restoration using GIS-based ordered weighted averaging (OWA): A case study in southern California
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<abstract> <p>Wildfires are a prevalent natural disaster that can significantly impact human populations and result in considerable losses. With a changing climate, wildfires in many countries have increased in intensity and frequency, making effective restoration efforts in affected areas crucial. This paper aims to evaluate the efficacy of ordered weighted averaging (OWA), a GIS-based multi-criteria decision analysis technique, in identifying priority areas for wildfire restoration. A case study using the 2009 Station Fire in California is presented, using the restoration criteria of slope, erodibility, proximity to forest cover, and proximity to surface water. By applying both importance and order weights, multiple OWA decision strategies with varying risk levels were examined. Different strategies greatly influence the spatial distribution of land considered high and low priority for wildfire restoration, each with varying levels of trade off. In the OWA decision space, placing full emphasis on the highest (best) values (using the risk-taking OR operator) or the lowest values (using the risk-averse AND operator) resulted in composite priority maps that cannot be recommended for practical use. More nuanced scenarios are achieved with the OWA operators representing a range of compromise decision strategies between these extremes. The OWA technique in GIS can thus help to explore the impact of decision-makers' risk attitudes in a wildfire restoration setting.</p> </abstract>
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.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle