Predictive Assessment of Forest Fire Risk in the Hindu Kush Himalaya (HKH) Region Using HIWAT Data Integration
Notice bibliographique
Résumé
Forest fires in the Hindu Kush Himalaya (HKH) region are increasing in frequency and severity, driven by climate variability, prolonged dry periods, and human activity. Nepal, a critical part of the HKH, recorded over 22,700 forest fire events in the past decade, with fire incidence nearly doubling in 2023. Despite this growing threat, operational early warning systems remain limited. This study presents Nepal’s first high-resolution early fire risk outlook system, developed by adopting the Canadian Fire Weather Index (FWI) using meteorological forecasts from the High-Impact Weather Assessment Toolkit (HIWAT). The system generates daily and two-day forecasts using a fully automated Python-based workflow and publishes results as Web Map Services (WMS). Model validation against MODIS, VIIRS, and ground fire records for 2023 showed that over 80% of fires occurred in zones classified as Moderate to Very High risk. Spatiotemporal analysis confirmed fire seasonality, with peaks in mid-April and over 65% of fires occurring in forested areas. The system’s integration of satellite data and high-resolution forecasts improves the spatial and temporal accuracy of fire danger predictions. This research presents a novel, scalable, and operational framework tailored for data-scarce and topographically complex regions. Its transferability holds substantial potential for strengthening anticipatory fire management and climate adaptation strategies across the HKH and beyond.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».