Application of Explainable Artificial Intelligence in Predicting Wildfire Spread: An ASPP-Enabled CNN Approach
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 ecosystems have been persistently affected by wildfires, leading to significant damage worldwide. The severity and frequency of wildfires have escalated in recent years, necessitating more effective prediction models. This study presents an application of convolutional neural networks (CNNs) for wildfire spread prediction, focusing on the use of atrous spatial pyramid pooling (ASPP) mechanisms in these networks. However, the black-box nature of these algorithms has not been fully explored. To bridge this gap, we proposed an explainable CNN model with an ASPP mechanism (CNN-ASPP) in this study. More specifically, we utilize the Next Day Wildfire Spread dataset, which includes environmental variables, to evaluate the performance of our model. The proposed model is compared with state-of-the-art machine learning (ML) methods, including random forest (RF), support vector machine (SVM), artificial neural network (ANN), and another CNN model. Our results showed that CNN-ASPP achieved an F1-score of 97%, outperforming the ML methods with an F1-score of 90% for a neighborhood size of <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$7\times 7$ </tex-math></inline-formula>. We also opened the black box and tried to explanation different convolutional layers based on the gradient-weighted class activation mapping (Grad-CAM) algorithm. Our findings indicate that larger dilation rates (DRs) can extract more meaningful features from the input data. This study contributes to the development of more transparent and accurate models for wildfire spread prediction, which could have significant implications for forest management and wildfire prevention 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 | 0,000 | 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 | 0,000 | 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 découle