A graph-based optimization framework for firebreak planning in wildfire-prone landscapes
Notice bibliographique
Résumé
Firebreaks and fuel treatments are critical means for the reduction of wildfire threat and damage to human infrastructure in forest landscapes. However, the uncertain behavior of wildfires makes the planning of firebreaks challenging, especially when available resources are insufficient to treat all locations under wildfire threat. We present a fire propagation graph approach that utilizes directed acyclic graphs to track the possible spread of wildfires from their ignition locations and estimate the impacts of firebreak placement on the possible burn area. The fire propagation graphs depict plausible fire spread within the fire footprints created with a spatial fire growth model. We integrated the fire propagation graph concept into an optimization model that allocates firebreaks in a complex landscape. We compared two firebreak planning strategies. The first strategy reduces the overall connectivity between patches with fuel and minimizes the number of location pairs between which wildfire spread is possible. The second strategy minimizes the possible burn area across the landscape by tracking the impact of firebreaks on the potential fire spread through a large set of fire propagation graphs that depict plausible fire scenarios. We also evaluated the problem that combines both strategies. We illustrated the approach with the planning of wildfire mitigation measures in the Red Rock-Prairie Creek area of Canada, a complex fire-prone landscape. The firebreak solutions were effectively able to reduce both the potential burn area and the connectivity between locations with fuel. The graph-based depiction of the uncertain wildfire spread helped assess the landscape-level impacts of local firebreak allocation decisions and uncover the tradeoffs between different firebreak planning strategies. The approach could assist wildfire mitigation planning in other regions. • We introduce a graph-based measure to characterize potential fire spread. • Using the fire propagation graph concept, we compare two firebreak allocation strategies. • First strategy reduces the expected burn area and associated damage in the area. • Second strategy reduces the chances of fires to spread across the landscape. • We compare each strategy with the problem that combines both planning approaches.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».