Extreme Climate Drivers and Their Interactions in Lightning-Ignited Fires: Insights from Machine Learning Models
Notice bibliographique
Résumé
Lightning is the primary natural cause of wildfires in mid- to high-latitude forests, and it is increasing in frequency under climate change. Traditional fire danger forecasts, reliant on standard meteorological data, often fail to capture extreme events and future risk. To address this issue, we integrate extreme climate indices with meteorological, vegetation, soil, and topographic data, and apply four machine learning methods to build probabilistic models for lightning fire occurrence. The results show that incorporating extreme climate indices significantly improves model performance. Among the models, XGBoost achieved the highest accuracy (87.4%) and AUC (0.903), clearly outperforming traditional fire weather indices (accuracy 60%–71%). Model interpretation with SHapley Additive exPlanations (SHAP) further revealed the driving mechanisms and interaction effects of extreme factors. Extreme temperature and precipitation indices contributed nearly 60% to fire occurrence, with growing season length (GSL), minimum of daily maximum temperature (TXn), diurnal temperature range (DTR), and warm spell duration index (WSDI) identified as key drivers. In contrast, heavy precipitation indices exerted a suppressing effect. Compound hot and dry conditions amplified fuel aridity and markedly increased ignition probability. This interpretable framework improves short-term lightning fire prediction and offers quantitative support for risk warning and resource allocation in a warming climate.
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 | 0,000 |
| 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 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 ».