Deep learning models for enhanced forest-fire prediction at Mount Kilimanjaro, Tanzania: Integrating satellite images, weather data and human activities data
Notice bibliographique
Résumé
Forest fires (FFs) are a growing threat to ecosystems and human settlements, particularly in vulnerable regions such as Mount Kilimanjaro, Tanzania. Accurate and timely fire prediction is essential to mitigate these risks and improve fire management strategies. This study develops and evaluates advanced Deep Learning (DL) models for FF prediction by integrating spatiotemporal vegetation indices, environmental data, and human activity indicators. Specifically, Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNNs), and Convolutional Long Short-Term Memory (ConvLSTM) models were employed to analyze Sentinel-2 satellite imagery and weather data, along with anthropogenic factors such as beekeeping, tourism, agriculture, and deforestation rates. Leveraging this diverse, high-dimensional dataset, the ConvLSTM model engineered to capture intricate spatial and temporal relationships delivered superior performance, achieving an AUROC of 0.9785 and Accuracy 98.08%, surpassing the LSTM and CNN models. Integrating human-induced activities with environmental data, these models provide accurate and actionable predictions for fire management in high-risk areas. This study demonstrates the potential of ConvLSTM in developing operational tools for early fire detection, streamlining data-driven decision-making, improving resource allocation, and guiding preventive strategies in fire-prone regions such as Mount Kilimanjaro.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 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 ».