A comparative analysis of fire-weather indices for enhanced fire activity prediction with probabilistic approaches
Notice bibliographique
Résumé
• Relying on fire-weather indices is insufficient for proper prediction of fire danger. • Spatio-temporal effects are necessary to improve the performance of fire indices. • We used a probabilistic Bayesian framework where fires are a marked point process. • The Canadian FWI remains the most skillful indicator among the tested indices. • The most skillful model includes DC, DMC, FFMC, VPD (or Tmax) and Wind-speed. Weather conditions play a crucial role in driving fire activity in Mediterranean France. Previous research has demonstrated the influence of these conditions on the likelihood of large fire events over the world. However, certain limitations persist regarding the representation of fire weather in probabilistic models. The objective of this paper is to develop an efficient method to rate fire danger by identifying the best representation of weather data for fire activity prediction in Mediterranean France. We evaluated the performance of meteorological variables and the most common fire-weather indices (FWIs) worldwide as predictors of fire occurrence and size using the Firelihood framework, a probabilistic Bayesian model of fire activity. These models were compared to a fire activity baseline model incorporating only spatial and temporal effects but no explicit fire-weather information to allow for an in-depth study of information not captured by fire-weather indices. The results indicate that relying solely on fire-weather indices is insufficient for efficient rating of fire activities. The inclusion of spatial and seasonal effects in the models is crucial for improving the indices' performance. While the Canadian FWI remains the most skillful indicator among the tested indices, using new combinations of several of its subcomponents further increases accuracy. Various performance analyses, including threshold selections, were carried out to comparatively assess those improvements. The approach shows that probabilistic models informed with appropriately constructed fire-weather indices substantially improve various aspects of fire activity predictions in the Mediterranean 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 | 0,001 |
| 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) | 0,000 | 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 ».