Predicting Forest Fire Area Growth Rate Using an Ensemble Algorithm
Notice bibliographique
Résumé
Due to its unique geographical and climatic conditions, the Liangshan Prefecture region is highly prone to large fires. There is an urgent need to study the growth rate of fire-burned areas to fill the research gap in this region. To address this issue, this study uses the Grey Wolf Optimizer (GWO) algorithm to optimize the hyperparameters in the eXtreme Gradient Boosting (XGBoost) model, constructing a GWO-XGBoost model. Finally, the optimized ensemble model (GWO-XGBoost) is used to create a fire growth rate warning map for the Liangshan Prefecture in Sichuan Province, China, filling the research gap in forest fire studies in this area. This study comprehensively selects factors such as monthly climate, monthly vegetation, terrain, and socio–economic aspects and incorporates monthly reanalysis data from forest fire assessment systems in Canada, the United States, and Australia as features to construct the forest fire dataset. After collinearity tests to filter redundant features and Pearson correlation analysis to explore features related to the burned area growth rate, the Synthetic Minority Oversampling Technique (SMOTE) is used to oversample the positive class samples. The GWO algorithm is used to optimize the hyperparameters in the XGBoost model, constructing the GWO-XGBoost model, which is then compared with XGBoost, Random Forest (RF), and Logistic Regression (LR) models. Model evaluation results showed that the GWO-XGBoost model, with an AUC value of 0.8927, is the best-performing model. Using the SHapley Additive exPlanations (SHAP) value analysis method to quantify the contribution of each influencing factor indicates that the Ignition Component (IC) value from the United States National Fire Danger Rating System contributes the most, followed by the average monthly temperature and the population density. The growth rate warning map results indicate that the southern part of the study area is the key fire prevention area.
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 | 0,001 |
| 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 | 0,001 |
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 ».