Evaluation of geographically weighted logistic model and mixed effect model in forest fire prediction in northeast China
Notice bibliographique
Résumé
Introduction Forest fires seriously threaten the safety of forest resources and human beings. Establishing an accurate forest fire forecasting model is crucial for forest fire management. Methods We used different meteorological and vegetation factors as predictors to construct forest fire prediction models for different fire prevention periods in Heilongjiang Province in northeast China. The logistic regression (LR) model, mixed-effect logistic (mixed LR) model, and geographically weighted logistic regression (GWLR) model were developed and evaluated respectively. Results The results showed that (1) the validation accuracies of the LR model were 77.25 and 81.76% in spring and autumn fire prevention periods, respectively. Compared with the LR model, both the mixed LR and GWLR models had significantly improved the fit and validated results, and the GWLR model performed best with an increase of 6.27 and 10.98%, respectively. (2) The three models were ranked as LR model < mixed LR model < GWLR model in predicting forest fire occurrence of Heilongjiang Province. The medium-and high-risk areas of forest fire predicted by the GWLR model were distributed in western and eastern parts of Heilongjiang Province in spring, and western part in autumn, which was consistent with the observed data. (3) Driving factors had strong temporal and spatial heterogeneities; different factors had different effects on forest fire occurrence in different time periods. The relationship between driving factors and forest fire occurrence varied from positive to negative correlations, whether it’s spring or autumn fire prevention period. Discussion The GWLR model has advantages in explaining the spatial variation of different factors and can provide more reliable forest fire predictions.
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 | 0,000 |
| 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 ».