Predicting black spruce fuel characteristics with Airborne Laser Scanning (ALS)
Notice bibliographique
Résumé
Wildfire decision support systems combine fuel maps with other fire environment variables to predict fire behaviour and guide management actions. Until recently, financial and technological constraints have limited provincial fuel maps to relatively coarse spatial resolutions. Airborne Laser Scanning (ALS), a remote sensing technology that uses LiDAR (Light Detection and Ranging), is becoming an increasingly affordable and pragmatic tool for mapping fuels across localised and broad areas. Few studies have used ALS in boreal forest regions to describe structural attributes such as fuel load at a fine resolution (i.e. <100 m2 cell resolution). We used ALS to predict five forest attributes relevant to fire behaviour in black spruce (Picea mariana) stands in Alberta, Canada: canopy bulk density, canopy fuel load, stem density, canopy height and canopy base height. Least absolute shrinkage and selection operator (lasso) regression models indicated statistically significant relationships between ALS data and the forest metrics of interest (R2 ≥0.81 for all metrics except canopy base height which had a R2 value of 0.63). Performance of the regression models was acceptable and consistent with prior studies when applied to test datasets; however, regression models presented in this study mapped stand attributes at a much finer resolution (40 m2).
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».