Autocorrelation between Fuel Type Fragmentation and Fire Severity at the Elephant Hill wildfire in British Columbia
Notice bibliographique
Résumé
Geospatial analyses focused on quantifying fuel types fragmentation and its autocorrelation with megafire severity inform decision making in contexts such as forest management and human activities regulation. Fuel type fragmentation plays a crucial role in fire severity contribution. I evaluated the landscape and class level fragmentation of fuel types in two maps: FuelSat (derived from remote sensing) and a completely randomized map. Specifically, the C-2 (Boreal Spruce), C-3 (Mature Pine), slash, and standing grass were targeted for class level metrics calculation. Fire behavior could be described in two terms – burn probability and fire intensity. Flammability (burn probability) represent the likelihood of a given location on landscape burning, while the fire intensity is the rate of heat energy released by the fire. Burn probability and fire intensity of those four target classes were extracted from landscapes (FuelSat and Random). Boxplots were created to visualize the difference between burn probability and fire intensity of four classes from FuelSat and Random, respectively. Results indicated higher fragmentated fuel types would lower the fire intensity generally, but resulted in more extreme events. It was not evident that fuel type fragmentation has significant impacts on burn probability. Moran’s I was computed and did indicate there was autocorrelation between fuel fragmentation and fire intensity. It helps fill the gap in forest fire prediction by considering effects of fuel fragmentation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».