Predictive Understanding of Links Between Vegetation and Soil Burn Severities Using Physics‐Informed Machine Learning
Notice bibliographique
Résumé
Abstract Burn severity is fundamental to post‐fire impact assessment and emergency response. Vegetation Burn Severity (VBS) can be derived from satellite observations. However, Soil Burn Severity (SBS) assessment—critical for mitigating hydrologic and geologic hazards—requires costly and laborious field recalibration of VBS maps. Here, we develop a physics‐informed Machine Learning model capable of accurately estimating SBS while revealing the intricate relationships between soil and vegetation burn severities. Our SBS classification model uses VBS, as well as climatological, meteorological, ecological, geological, and topographical wildfire covariates. This model demonstrated an overall accuracy of 89% for out‐of‐sample test data. The model exhibited scalability with additional data, and was able to extract universal functional relationships between vegetation and soil burn severities across the western US. VBS had the largest control on SBS, followed by weather (e.g., wind, fire danger, temperature), climate (e.g., annual precipitation), topography (e.g., elevation), and soil characteristics (e.g., soil organic carbon content). The relative control of processes on SBS changes across regions. Our model revealed nuanced relationships between VBS and SBS; for example, a similar VBS with lower wind speeds—that is, higher fire residence time—translates to a higher SBS. This transferrable model develops reliable and timely SBS maps using satellite and publicly accessible data, providing science‐based insights for managers and diverse stakeholders.
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 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».