ProbFire: a probabilistic fire early warning system for Indonesia
Notice bibliographique
Résumé
Abstract. Recurrent extreme landscape fire episodes associated with drought events in Indonesia pose severe environmental, societal and economic threats. The ability to predict severe fire episodes months in advance would enable relevant agencies and communities to more effectively initiate fire-preventative measures and mitigate fire impacts. While dynamic seasonal climate predictions are increasingly skilful at predicting fire-favourable conditions months in advance in Indonesia, there is little evidence that such information is widely used yet by decision makers. In this study, we move beyond forecasting fire risk based on drought predictions at seasonal timescales and (i) develop a probabilistic early fire warning system for Indonesia (ProbFire) based on a multilayer perceptron model using ECMWF SEAS5 (fifth-generation seasonal forecasting system) dynamic climate forecasts together with forest cover, peatland extent and active-fire datasets that can be operated on a standard computer; (ii) benchmark the performance of this new system for the 2002–2019 period; and (iii) evaluate the potential economic benefit of such integrated forecasts for Indonesia. ProbFire's event probability predictions outperformed climatology-only based fire predictions at 2- to 4-month lead times in south Kalimantan, south Sumatra and south Papua. In central Sumatra, an improvement was observed only at a 0-month lead time, while in west Kalimantan seasonal predictions did not offer any additional benefit over climatology-only-based predictions. We (i) find that seasonal climate forecasts coupled with the fire probability prediction model confer substantial benefits to a wide range of stakeholders involved in fire management in Indonesia and (ii) provide a blueprint for future operational fire warning systems that integrate climate predictions with non-climate features.
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 | 0,002 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».