Linking burn severity to pre-fire forest structure and weather on the Dixie fire offers potential to map prospective burn severity
Notice bibliographique
Résumé
Seeking to understand controllable stand structure drivers of high burn severity, contingent on weather, 35 candidate predictors were derived from Forest Inventory and Analysis observations and ancillary data on managerially uncontrollable factors—fire history, climate, weather, and topography—within California’s massive 2021 Dixie fire. Logistic regression models were fitted to evaluate the effects of these predictors, with remotely sensed burn severity as the response. Using multiple model selection strategies to choose from among parsimonious predictor subsets that we structured to control for collinearity, high burn severity was consistently predicted (area under the receiver operating curve = 0.72–0.73) from just six variables: three stand characteristics—basal area of standing dead trees, basal area of mid-size or all live trees, and ladder fuel abundance—and three uncontrollable predictors—30-year mean maximum annual temperature and maximum wind gust speed and precipitation for the hour at which fire arrived at the stand. To demonstrate how these models might inform landscape treatment priority, we applied the models to publicly available, imputed rasters of the stand characteristics and to the uncontrollable factors listed above, evaluating map accuracy against Relative differenced Normalized Burn Ratio derived severity. Disappointing accuracy of the resultant maps might be improved as forest attribute imputation products begin to incorporate fine scale (e.g., Light Detection and Ranging) information capable of representing ladder fuels and as pixel scale models of weather at time of fire arrival become available.
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 | 0,003 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».