Spatio-Temporal Forest Fire Risk Assessment in Huichuan District, China: Integrating Fuel Load, Topography, and Human Activity
Notice bibliographique
Résumé
This study aimed to characterize spatial risks of forest fires in Huichuan District, Zunyi City, Guizhou Province, China. The National Forest and Grassland Fire Risk Census Secondary Platform provided 16 indicators of forest fire risk. This study assessed forest fire risk based on field fuel surveys, multi-source data sharing, mathematical statistics, and literature analysis. The following results were obtained: (1) Of the 21,210 small classes of forest fire identified for Huichuan District, 9,263 (43.67%), 11,941 (56.3%), and 6 (0.02%) were high, medium-high, and medium low risk, respectively. (2) Of the 1,988 standardized grids: 68, 1,523, 208, 186, and 3 showed high, medium-high, medium-low, low, and no risks, respectively; 64.18% showed medium-high to high risks. (3) Township-level risk assessment divided towns into three risk categories: low, medium-low, and medium-high, to which were assigned three, two, and nine township-level assessment units, representing 0.91%, 5.49%, and 93.67% of the total area, respectively. Among the township evaluation units, two, nine, and three showed medium-low, medium-high risk, and low risks, respectively. Gaoqiao Street, Donggongsi Street, and Dalian Road have medium-low risk grades; the other nine township evaluation units have medium-high risk categories. Ximalu Street, Shanghai Road, and Gaoqiao Street have low-risk grades.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».