Evaluation of SMOS Data to Provide Prefire Conditions’ Information for Forest Fire Danger Rating System in Canada
Notice bibliographique
Résumé
Forest fires in Canada’s boreal forest can cause a great deal of concern for populations, environment and infrastructures. One of the tools developed to predict potential fire activity related to these events is the Canadian Fire Weather Index System (FWI<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><sub>CAN</sub></i>). This study aims to analyse the potential of Soil Moisture and Ocean Salinity (SMOS) satellite products (Soil Moisture (SM), Vegetation Optical Depth (VOD) and Root Zone Soil Moisture (RZSM)) to provide additional information on pre-fire soil and vegetion conditions for forest fire danger rating system. Using Random Forest algorithm, we show that adding SMOS data to the FWI<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><sub>CAN</sub></i> system indices slightly increases the accuracy of the predictions of potential fire activity. The RZSM from SMOS data was the variable that best improved the model performance, whereas the VOD provided no additional information. In the aim to evaluate the method for regions with limited in situ meteorological data, we used FWI system indices calculated from ERA5 available over the globe (FWI<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><sub>ERA5</sub></i>). Taking into account FWIERA5, SMOS data allow to improve substantially the ability to predict forest fire.
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 | 0,002 | 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 | 0,001 |
| 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 ».