A multidimensional machine learning framework for LST reconstruction and climate variable analysis in forest fire occurrence
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
Land Surface Temperature (LST) datasets play a crucial role in understanding the complex interplay between forest fires, climate variables, and vegetation dynamics. This study is divided into two primary parts: the first part investigates the predictive performance of a machine learning framework based on CatBoost and XGBoost models in estimating LST across different land cover classes in Alberta, Canada. On the test set, for LST-Day data, CatBoost and XGBoost achieved Median Absolute Errors (MedAE) of approximately 1.434 °C and 1.425 °C, respectively. For LST-Night data, also on the test set, the MedAE values were approximately 1.186 °C for CatBoost and 1.176 °C for XGBoost. The second part explores the intricate relationships between climatic variables—LST, precipitation, and relative humidity—forest fire occurrences, and vegetation dynamics in various subregions. The findings revealed complex interactions, with high LST, reduced precipitation, and humidity associated with increased forest fire activity and subsequent changes in vegetation patterns, particularly in the Central Mixedwood, Dry Mixedwood, and Montane subregions. A notable potential association was identified between high LST, reduced precipitation and humidity, and increased forest fire activity in these areas. These climate change impacts and fire events were found to influence ecological processes, altering species composition, reducing biodiversity, and potentially disrupting ecosystem services such as carbon sequestration and nutrient cycling. These insights are crucial for informing adaptive forest management strategies aimed at understanding and mitigating the cascading effects of climate change on fire regimes and vegetation dynamics in Alberta's diverse landscapes. • CatBoost and XGBoost models predict LST with varying accuracy by land cover type. • High LST, low precipitation, low humidity linked to increased forest fires in Alberta. • Forest fires shift species, homogenize landscapes, and reduce ecosystem resilience. • Study informs adaptive management in Alberta's subregions amid climate change.
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 | 0,001 |
| 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) | 0,001 | 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