Anthropogenic factors in a forest and peatland fire danger rating system in South Sumatra
Notice bibliographique
Résumé
Abstract In an effort to prevent forest and land fires, Indonesia has implemented its fire danger rating system (FDRS). Currently, the FDRS is based upon the Canadian system, which is driven by only weather parameters. However, fires in Indonesia are primarily caused by human activities with most of them occurring on peatlands. Thus, it is necessary to integrate these factors in the development of the next generation FDRS to increase the precision and accuracy in assessing levels of fire danger in various Indonesian regions. This study presents a proof of concept for a new FDRS, applied in forest and peatland in Ogan Komering Ilir (OKI) District, South Sumatra Province, based on three parameters: weather, anthropogenic factors and presence or absence of peat. The anthropogenic and peatland FDRS (AP-FDRS) map was produced using a spatial logistic regression method for incorporating anthropogenic and peat models, using the fire weather index (FWI) model from forest and land fire early warning system together with an overlay method to produce a composite map of forest and peatland fire. In this study, 2 d in 2020 were selected as sample dates: one with hotspot occurrences (23 August 2020) and one without hotspots (28 December 2020). On 23 August 2020, the AP-FDRS map was dominated by high (54%) and extreme (46%) fire hazard levels after combining high FWI values with extreme AP risks in the OKI District. In contrast, on 28 December 2020, although the FWI indicated low fire risk, the integration with AP factors resulted in an AP-FDRS map dominated by medium (34%) and high (60%) fire hazard levels. These results highlight that weather factors alone are not sufficient to predict fire hazard risks in Indonesia. Therefore, the AP-FDRS provides more detailed and accurate predictions compared to current FWI based systems.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».