Deploying Wildland Fire Suppression Resources with a Scenario‐Based Standard Response Model
Notice bibliographique
Résumé
Wildland fire managers deploy suppression resources to bases and dispatch them to fires to maximize the percentage of fires that are successfully contained before unacceptable costs and losses occur. Deployment is made with budget constraints and uncertainty about the daily number, location, and intensity of fires, all of which affect initial-attack success. To address the deployment problem, we formulate a scenario-based standard response model with two objective functions: the number of suppression resources deployed and the expected daily number of fires that do not receive a standard response, defined as the desired number of resources that can reach the fire within a specified response time. To determine how deployment levels affect the standard response objective, a weighted sum of the objective functions is minimized, and the weights are ramped from large to small to generate the tradeoffs. We use the model to position up to 22 engines among 15 stations in the Amador-El Dorado unit of the California Department of Forestry and Fire Protection in central California. Each deployment is further evaluated in terms of expected number of escaped fires using CFES2, a stochastic simulation model of initial attack. The solutions of the standard response model form a tradeoff curve where increasing numbers of engines deployed reduces the expected daily number of fires not receiving the standard response. Solutions concentrate engines in a small set of centrally-located stations. We use a simple heuristic with CFES2 to incrementally remove engines based on simulation estimates of expected utilization frequency. The deployments obtained with the heuristic contain about the same number of fires as do solutions of the standard response model, but the heuristic solutions deploy engines to more stations.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».