Calculating fire danger of cured grasslands in temperate climates – the elements of the Grassland Fire Index (GLFI)
Notice bibliographique
Résumé
Background Increasing extreme weather events due to climate change require updated environmental monitoring and prediction systems in Germany. Aim The Grassland Fire Index (GLFI), developed by the German Meteorological Service ~15 years ago for temperate climates, was revised to improve fire-danger predictions during the fire season. Our paper gives insight into the new model version. Methods The former fire-behaviour core, i.e. Fosberg’s Fire Weather Index (FWI), is replaced by the standardised fire-reaction intensity, a different fuel-moisture of extinction term, and a replica of the fire-spread rate of the Canadian FFBP-System. A standardised ease-of-ignition index is added as a measure of ignition success. The fire module is supplied with diurnal dead-grass fuel-moisture calculations based on the water-budget and energy-balance concept. Key results The GLFI output is compared with diurnal fuel-moisture measurements and results of Wotton’s Grass-Fuel-Moisture model, Fosberg’s FWI, and Cheney’s rate of spread equation. The GLFI computes periods with a high fuel moisture more realistically, whereas it exceeds Cheney’s rate-of-fire spread systematically at lower wind speeds, which leads to higher danger ratings during calm-air conditions (as requested by users). Conclusions and Implications The GLFI estimates dead-fuel moisture and fire danger on open, horizontal topography according to the current scientific level. Model extensions are necessary to run the model on complex topography under varying greenness and occasional frost conditions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».