Forest Fire Risk Zone Mapping in Mizoram Using RS and GIS
Notice bibliographique
Résumé
Abstract In recent years, India’s Northeastern territory has been plagued by wildfires. Mizoram, as per FSI, has been among the most affected regions, with approximately 20,744-recorded wildfires. Forest fire directly or indirectly affects human health, climate change, and the environment. The forest fire risk zonation is generated utilizing remote sensing data, and Geographic Information System based on specified physical and socioeconomic factors. As part of the current study, a Geographical Information System is employed to determine forest fire risk based on predetermined physical and socioeconomic parameters. This study used three distinct models of fire risk zonation index namely FRI (Fire Risk Index), HFI (Hybrid Fire Index), and SFI (Structural Fire Index) to identify the zones in the study area under the risk of forest fires. The Indian state of Mizoram is categorized into five distinct hazard zones based on the probability of wildfire incidents. Fire alerts generated using risk models, and real-time hotspot datasets (forest fire spots) received from MODIS and USGS have been validated. According to the study’s findings, 18.84 km 2 of the study area is at low risk of forest fire, 11.072 km 2 is at moderate risk, and 5.38 km 2 is at high risk. The probability from each metric varies since the input and weightage of the different parameters vary from one another. SFI, therefore, therefore predicts a lower frequency of high-risk wildfire-prone zones than HFI and FRI. In this research, the coefficient of discrimination (R 2 ) is employed to assess the reliability of the projected fire indices being compared with real-time hot spots. Here, FRI possesses the highest accuracy (R 2 =0.892), HFI has moderate accuracy (R 2 =0.676), and FRI has the lowest accuracy (R 2 =0.629).
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 | 0,001 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».