Forest fire risk assessment with soil data in Croatia
Notice bibliographique
Résumé
Forest fire research can comprise forest fire case studies, laboratory experiments, fire detection by ground sensors, unmanned aerial vehicles and satellites, development of fire behaviour models, fire danger forecast, fire risk assessment, and much more. Commonly used and accepted Canadian method for forest fire danger forecast is expressed as Fire Weather Index (FWI) uses weather data. The index estimates the danger of wildfire and is based on meteorological parameters (air temperature, air humidity, wind speed, and rainfall amount) referring to 12 UTC for that day at the meteorological station or on a numerical weather prediction model grid point. Knowing how weather and soil interact and affect each other, we propose a new fire risk index based on the innovative Soil Index. Using open-access data, we collected different soil data such as soil temperature and soil moisture, land cover, vegetation, slope, etc. Since there are different types of vegetation and states, Leaf Area Index (LAI) and Normalized Difference Vegetation Index (NDVI) are considered as well. Being focused on forest fires, data about the burned area were also taken into account as well as the slope of the terrain for which the fire risk is calculated. Since all mentioned data have a diverse horizontal and temporal resolution, we decided to group them by temporal resolution: static, semi-static, and dynamic data. Static data refers to data that rarely change (never or every few years; e.g. land cover). Semi-static data refers to data that vary weekly or monthly (e.g. LAI). Dynamic data group refers to data that is strongly influenced by weather conditions (like soil temperature) and varies every hour. Because of various horizontal resolutions, soil parameters are interpolated to the same horizontal grid. Soil parameters are analysed concerning historical forest fires in Croatia. Despite Soil Index being based on soil parameters, we compared it with Fire Weather Index using data records for historical forest fires in Croatia. Obtained results indicate that the soil index has a better prediction performance compared to FWI. This study also highlights that not only the meteorological environment but also soil conditions are important parameters for fire risk assessment.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».