Prediksi Luas Area Terbakar Menggunakan Fire Weather Index dan Frekuensi Titik Panas di Jambi
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Forest fires occur every year in Indonesia, one of the regions with the highest forest fires is Jambi Province. Significant losses and negative impacts due to forest fires cause the need for an effort to prevent forest fires early on with the detection of forest and land fires. One method that can provide information about the level of forest fire based on daily weather data input is the Fire Weather Index (Fire Weather Index / FWI) system, which was first developed by Canada. This study aims to estimate burn area in the Jambi region by using temperature, rainfall, humidity, and wind speed data. Other supporting data are hotspot frequency data from NASA-FIRMS satellites and data fraction of burn area from GFED satellites on a daily scale of the period 2006-2016. In this study an analysis of the relationship between these data variables and burn area estimation was carried out using multiple linear regression methods then validated to see the level of suitability of the output model forecasts. The results showed that the predictor variables that had the highest relationship were hotspots frequency, Buildup Index (BUI), and FWI index with correlation values of 0.888, 0.739 and 0.753, respectively. The estimation model of the resulting burnt area is: Burned Area = -966.6146918 + (7.519631195 × BUI) + (147.4865469 × FWI) + (14.5373858 × Hotspots) + 116, with an RMSE value of 635.524 and MAE of 491.38
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.
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 | 0,000 | 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) | 0,001 | 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 découle