Pan-European fuel map server: An open-geodata portal for supporting fire risk assessment
Notice bibliographique
Résumé
Canopy fuels and surface fuel models, topographic features and other canopy attributes such as stand height and canopy cover, provide the necessary spatial datasets required by various fire behaviour modelling simulators. This is a technical note reporting on a pan-European fuel map server , highlighting the methods for the production and validation of canopy features, more specifically canopy fuels, and surface fuel models created for the European Union’s Horizon 2020 “FIRE-RES” project, as well as other related data derived from earth observation. The aim was to deliver a fuel cartography in a findable, accessible, interoperable and replicable manner as per F.A.I.R. guiding principles for research data stewardship. We discuss the technology behind sharing large raster datasets via web-GIS technologies and highlight advances and novelty of the shared data. Uncertainty maps related to the canopy fuel variables are also available to give users the expected reliability of the data. Users can view, query and download single layers of interest, or download the whole pan-European dataset. All layers are in raster format and co-registered in the same reference system, extent and spatial resolution (100 m). Viewing and downloading is available at all NUTS scales, ranging from country level (NUTS0) to province level (NUTS3), thus facilitating data management and access. The system was implemented using R for part of the processing and Google Earth Engine. The final app is openly available to the public for accessing the data at various scales. • Novel canopy fuel and fuel surface model maps produced at pan-European scale. • Uncertainty maps for canopy fuels are calculated. • Maps are merged and co-registered with other data to provide a final stack. • Geodata shared as per FAIR principles through the pan-European fuel maps server. • Geodata support further modelling for fire-risk and fire-behaviour software.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,087 | 0,104 |
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 source (Gemma direct ou Codex distillé), 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 ».