Forest structure, roads and soil moisture provide realistic predictions of fire spread in modern Swedish landscape
Notice bibliographique
Résumé
• Vegetation properties can be used to predict forest fire susceptibility in Sweden. • High Scots pine stock increases fire susceptibility; deciduous species’ decrease it. • Cellular automata model can realistically predict fire risks in Swedish forests. Recent increases in fire activity in Sweden call for the quantification of forest fire susceptibility, in order to develop management strategies to mitigate fire risk. Using the data from 100 large Swedish forest fires (>10 ha), mapped from sentinel-2 images from 2016 to 2022, we explored the predictive power of vegetation properties in estimating relative likelihood of fires within a landscape using logistic regression. To model spatially explicit fire susceptibility within a given landscape, we used the outcome of logistic regression as an input into a cellular automata model (CA model), which simulates fire spread in a 2D grid. The CA was model calibrated on three fires that occurred between 2016 and 2022, then verified on six 2023 fires and featured a mean sensitivity of 0.74 and specificity of 0.79. The logistic regression model had an accuracy of 54 %, showing increased fire susceptibility from high Scots pine volume ( p -value = 0.02), and decreased fire susceptibility from high volumes of deciduous trees and wet soil. Realistic outcomes of the CA model and reliance of our approach on publicly available data with nation-wide coverage of vegetation cover in Sweden allows for the development of an automated protocol of fire susceptibility assessment at the operational level and its integration in existing decision support systems. This would allow forest owners to obtain estimates of forest fire susceptibility for different forest management 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.
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 ».