Modeling peat burned area and understanding its drivers with machine learning
Notice bibliographique
Résumé
Peatland fires pose significant environmental and societal challenges. We recently advanced the Canadian Fire Weather Index (FWI) system for northern peatlands by integrating peatland-specific hydrological data derived from assimilating Soil Moisture and Ocean Salinity (SMOS) L-band brightness temperature observations into the NASA Catchment Land Surface model with its peatland modules, ‘PEATCLSM’. This novel FWIpeat (Mortelmans et al. 2024) was evaluated using satellite-based fire presence data over boreal peatlands from 2010 through 2018, demonstrating improved estimation of peatland fire presence.Here, we extend the use of this renewed FWIpeat system by integrating it into a machine learning framework to gain deeper insights into when, where, and why peatlands burn. We utilize an XGBoost algorithm trained on peatland burned area data from 2012-2023, incorporating a suite of predictors, including (i) peatland distribution characteristics, (ii) peatland groundwater table, (iii) lightning occurrence, (iv) meteorological data, (v) vegetation properties, and (vi) socio-economic factors. This approach enables proactive fire risk management strategies and contributes to a comprehensive assessment of peatland fire vulnerability and resilience. Preliminary results indicate the importance of peatland groundwater table and lightning occurrence in estimating peat burned area.Mortelmans, J., Felsberg, A., De Lannoy, G. J. M., Veraverbeke, S., Field, R. D., Andela, N., and Bechtold, M.: Improving the fire weather index system for peatlands using peat-specific hydrological input data, Nat. Hazards Earth Syst. Sci., 24, 445–464, https://doi.org/10.5194/nhess-24-445-2024, 2024.
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 ».