A machine learning model to predict wildfire burn severity for pre-fire risk assessments, Utah, USA
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
Abstract Background High-severity burned areas can have lasting impacts on vegetation regeneration, carbon dynamics, hydrology, and erosion. While landscape models can predict erosion from burned areas using the differenced normalized burn ratio (dNBR), post-fire erosion modeling has predominantly focused on areas that have recently burned. Here, we developed and validated a predictive burn severity model that produces continuous dNBR predictions for recently unburned forest land in Utah. Results Vegetation productivity, elevation, and canopy fuels were the most important predictor variables in the model, highlighting the strong control of fuels and vegetation on burn severity in Utah. Final model out-of-bag R 2 was 67.1%, residuals showed a correlation coefficient of 0.89 and classification accuracy into three classes was 85%. We demonstrated that dNBR can be empirically modeled relative to fuels and topography and found burn severity was highest in productive vegetation and at relatively cooler sites. Conclusions We found that prediction accuracy was higher when fuel moisture was lower, suggesting drier weather conditions drive more consistent and predictable burn severity patterns across a range of burn severity, vegetation types, and geographic locations. Moreover, burn severity predictions from this model can be used to inform hydro-erosion models and subsequent management actions aimed at reducing burn severity and post-wildfire erosion risks.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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