Comparison of Perimeter Delineation Methods for Remote Sensing Fire Spot Data in Near/Ultra-Real-Time Applications
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 cause extensive damage to ecosystems, biodiversity, and human property, posing significant challenges for emergency response and resource management. The accurate and timely delineation of forest fire perimeters is crucial for mitigating these impacts. In this study, methods for delineating forest fire perimeters using near-real-time (NRT) remote sensing data are evaluated. Specifically, the performance of various algorithms—buffer, concave, convex, and combination methods—using VIIRS and MODIS datasets is assessed. It was found that increasing concave α values improves the matching percentage with reference areas but also increases the commission error (CE), indicating overestimation. The results demonstrate that combination methods generally achieve higher matching percentages, but also higher CEs. These findings highlight the trade-off between improved perimeter accuracy and the risk of overestimation. The insights gained are significant for optimizing sensor data alignment techniques, thereby enhancing rapid response, resource allocation, and evacuation planning in fire management. This research is the first to employ multiple algorithms in both individual and synergistic approaches with NRT or ultra-real-time (URT) active fire data, providing a critical foundation for future studies aimed at improving the accuracy and timeliness of forest fire perimeter assessments. Such advancements are essential for effective disaster management and mitigation 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 | 0,001 | 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) | 0,000 | 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