Bridging spatiotemporal wildfire prediction and decision modeling using transformer networks and fuzzy inference systems
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
Wildfires present a growing threat to ecosystems, human settlements, and climate stability, necessitating accurate and interpreted prediction systems. Existing AI-based models often prioritize performance over explainability, limiting their utility in real-time decision-making contexts. Current wildfire forecasting models struggle to incorporate uncertainty and offer transparent response strategies. Moreover, many models fail to integrate domain knowledge in a way that supports actionable interventions. This study utilizes the Canadian Fire Spread Dataset, augmented with Sentinel, ERA5, and SRTM data, encompassing vegetation, meteorological, and topographic variables. The suggested system uses a Transformer-based model to predict fires over time and space, along with a Fuzzy Rule-Based System (FRBS) to create rules for responding to those predictions. This integration allows for both high accuracy and interpretability in decision-making under uncertain environmental conditions. The novelty lies in the use of symbolic fuzzy reasoning layered onto a deep attention-based architecture. Performance was evaluated using metrics such as accuracy, precision, recall, F1-score, and AUC. The model achieved an F1-score of 92.9 % and accuracy of 94.8 %, significantly outperforming baseline and deep learning alternatives. • Integrates deep learning with fuzzy logic for both accurate forecasting and interpretable response planning. • Enables uncertainty-aware reasoning by translating predictions into actionable fire management rules. • Demonstrates superior performance across diverse environmental datasets using multi-source satellite and climate inputs.
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 | 0,000 |
| 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 découle