Spatial Susceptibility Mapping of Boreal Forest Fires: Insights from Quebec’s Historical and Future Trends (1980-2050)
Notice bibliographique
Résumé
Abstract. Forest fires cause significant loss and damage each year, with climate change exacerbating their frequency and severity, highlighting the need for accurate susceptibility maps for effective mitigation and planning. This study integrating various environmental, ecological, and meteorological factors assesses the current and future forest fire susceptibility of Quebec’s boreal forests under two climate change scenarios over the next 30 years (2021-2050). The study involved identifying factors affecting forest fires and collecting 40 years of historical forest fire data (1980-2020). Climate variables were downloaded, and the Fire Weather Index (FWI) was calculated using BioSIM software and then interpolated into raster layers in ArcGIS Pro. The data was divided into training (70%) and testing (30%) sets, with a Random Forest (RF) model trained and validated using three accuracy metrics including receiver operating characteristics-area under the curve (ROC-AUC), the figure of merit (FoM), and F1 score, achieving results of 0.895, 0.808, and 0.894, respectively. Although forest fire susceptibility maps displayed some variation over the next 30 years (2021-2050), no distinct upward or downward trend was detected. Additionally, susceptibility remained largely unchanged under both the RCP 4.5 and RCP 8.5 scenarios. The study also highlighted the key factors affecting fire susceptibility, with the FWI, live biomass, and dead biomass being the most significant, contributing 21.8%, 14.28%, and 11.35%, respectively. This study predicting fire susceptibility and providing current and future susceptibility maps offers a proactive approach to climate change preparedness and improving resource allocation and forest fire risk management.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».