Utilizing MODIS remote sensing and integrated data for forest fire spread modeling in the southwest region of Canada
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
Abstract Accurate prediction of fire spread is considered crucial for facilitating effective fire management, enabling proactive planning, and efficient allocation of resources. This study places its focus on wildfires in two regions of Alberta, Fort McMurray and Slave Lake, in Southwest Canada. For the simulation of wildfire spread, an adapted fire propagation model was employed, incorporating MODIS datasets such as land surface temperature, land cover, land use, and integrated climate data. The pixels were classified as burned or unburned in relation to the 2011 Slave Lake wildfire and the initial 16 days of the 2016 Fort McMurray wildfire, utilizing defined starting points and the aforementioned specified datasets. The simulation for the 2011 Slave Lake wildfire achieved an weighted average precision, recall, and f1-scores of 0.989, 0.986, and 0.987, respectively. Additionally, macro-averaged scores across these three phases were 0.735, 0.829, and 0.774 for precision, recall, and F1-scores, respectively. The simulation of the 2016 Fort McMurray wildfire introduced a phased analysis, dividing the initial 16 days into three distinct periods. This approach led to average precision, recall, and f1-scores of 0.958, 0.933, and 0.942 across these phases. Additionally, macro-averaged scores across these three phases were 0.681, 0.772, and 0.710 for precision, recall, and F1-scores, respectively. The strategy of segmenting simulations into phases may enhance adaptability to dynamic factors like weather conditions and firefighting strategies.
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 | 0,002 | 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 | 0,001 | 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 découle