Operational Evaluation of a Wildfire Air Quality Model from a Forecaster Point of View
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 An evaluation of an operational wildfire air quality model (WFAQM) has been performed. Evaluation metrics were chosen through an analysis of interviews and a survey of professionals who use WFAQM forecasts as part of their daily responsibilities. The survey revealed that professional users generally focus on whether forecast air quality will exceed thresholds that trigger local air quality advisories (e.g., an event), their analysis scale is their region of responsibility, they are interested in short-term (≈24 h) guidance, missing an event is worse than issuing a false alarm, and there are two types of users—one that takes the forecast at face value, and the other that uses it as one of several information sources. Guided by these findings, model performance of Environment and Climate Change Canada’s current operational WFAQM (FireWork) was assessed over western Canada during three (2016–18) summer (May–September) wildfire seasons. Evaluation was performed at the geographic scale at which individual forecasts are issued (the forecast region) using gridded particulate matter 2.5 (PM2.5) fields developed from a machine learning–based downscaling of satellite and meteorological data. For the “at face value” user group, model performance was measured using the Peirce skill score. For the “as information source” user group, model performance was measured using the divergence skill score. For this metric, forecasts were first converted to event probabilities using binomial regression. We find when forecasts are taken at face value, FireWork cannot outperform a nearest-neighbor-based persistence model. However, when forecasts are considered as an information source, FireWork is superior to the persistence-based model.
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 | 0,002 | 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) | 0,001 | 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 découle